Привіт 🙌
За останні два тижні сталося те, чого ми не дочекалися за ціле літо: Google нарешті випустив великий апдейт Google Tag Manager, який нам обіцяли ще з кінця весни. І це дійсно варто твоєї уваги і багато що змінює. І, звісно, значна частина розсилка буде саме про це. Але як завжди давай розберемо все по порядку.
Сьогодні в програмі:
Наші новини:
🔸 Новий кейс ProAnalytics Team: вебаналітика для медіа.
Новини Google Tag Manager:
🔹 Великий апдейт: тепер GTM — це ще й Google Tag.
Новини Google BigQuery:
🔹 Повторне використання аліасів у SQL-запитах.
🔹 Два корисні оновлення Conversational Analytics.
🔹 Інкрементальні трансфери PostgreSQL і ServiceNow стали загальнодоступними.
🔹 Підтримка Gemini 4 у генеративних AI-функціях BigQuery.
Інші новини:
🔹 В Україні нарешті можна запускати рекламу в ChatGPT.
🔹 У Claude з’явилися дашборди.
Корисні матеріали:
🔥 Генератор макетів для Power BI.
🔥 Fabric Apps на практиці: чому красиве демо — ще не готовий продукт.
📰 Новий кейс ProAnalytics Team: вебаналітика для медіа
Ще один кейс від команди proanalytics.team вже на сайті — цього разу про роботу з медіа SPEKA.
Цей кейс особливо вартий уваги. Бо цікавих і практичних кейсів з аналітики для медіа мені якось траплялося небагато за все моє аналітичне життя. Тому ми вирішили написати свій 🙂
У ньому показали, як об’єднали дані GA4, Search Console та CMS і побудували дашборд у Power BI для аналізу контенту, авторів та реакцій аудиторії.
Як ми допомогли редакції SPEKA розібратися, які матеріали й автори цікавлять читачів >>>
На цьому з наших новин поки все. Зараз основну частину часу я приділяю запису курсу з аналітики мобільних застосунків.
А коли з’являється вільний момент — дописую розширення PROANALYTICS і готую ще один невеличкий продукт, який теж має покращити життя аналітикам. Але про це якось пізніше розповім детальніше ;)
А поки — переходимо до новин сервісів.
👉 Новини Google Tag Manager
🚩 Великий апдейт: тепер GTM — це ще й Google Tag.
Найбільша новина цих двох тижнів — це, звісно, величезне оновлення Google Tag Manager. І, чесно кажучи, воно настільки масштабне, що зачепило не тільки сам тег-менеджер, а й частково торкнулися і Google Analytics, і Google Ads, і Floodlight.
Якщо коротко, то логіка така: раніше будь-який Google Tag, по суті, був оболонкою для базового контейнера Google Tag Manager. Але сам контейнер GTM при цьому не мав усіх можливостей Google Tag.
Тепер після оновлення твій контейнер GTM теж стає Google Tag. Тобто раніше це працювало в один бік, а тепер — в обидва.
Якщо попереднє пояснення здалося тобі складним і незрозумілим — спробую по-іншому 🙂
Зайдемо з найбільшої переваги — менше JavaScript на твоїх сторінках. Раніше GTM додатково завантажував gtag.js для Google-тегів. Тепер оптимізований контейнер може сам відправляти дані до потрібних сервісів Google, без цих додаткових завантажень. А це — швидша робота сторінок і краще збирання даних.
Ну і ще одна дуже корисна річ — контроль версій для налаштувань Google Tag. Тепер зміни цих налаштувань можна перевірити в Preview, опублікувати разом із контейнером і за потреби відкотити до попередньої версії.
Це була коротка версія оновлення, детально розбирати весь апдейт тут не буду. Але нижче декілька цікавих змін ще покажу.
- Measurement ID тепер можна вибрати зі списку доступних тобі потоків GA4. Причому шукати можна за назвою потоку — не обов’язково згадувати саме ID.
2. З’явилися нові типи тегів призначення — Google Analytics, Google Ads і Google Floodlight. На скріні нижче — Google Analytics.
3. Оновився Preview. У режимі попереднього перегляду самого GTM тепер є вкладка Hits Sent із відправленими запитами та блок Tag Settings із налаштуваннями, які активувалися. Також видно позначку відкладених запитів. (Скриншот зі статті Simo Ahava).
А ось як зв’язки між джерелами даних, конверсіями й аудиторіями виглядають після оновлення у Google Ads Data Manager. Цим скриншотом поділився Рома Муртазін.
Я не просто так взяв один зі скрінів зі статті Simo Ahava, як завжди, він написав дуже детальний і, як на мене, максимально зрозумілий гайд: що змінилося, як перейти на нову логіку і на що звернути увагу. Рекомендую.
👉 Новини Google BigQuery
Команда BigQuery, як завжди, підготувала не одну новину. Але, чесно кажучи, цього разу все значно менш масштабніше, ніж попередні тижні. Давай пройдемося по моєму топ-3.
🚩 1. Повторне використання аліасів у SQL-запитах.
Для мене найцікавіше оновлення — reusable column aliases. Тепер можна задати назву розрахованому полю й одразу використовувати її в наступних виразах того самого SELECT або в WHERE.
Тобто більше не потрібно повторювати одну й ту саму формулу чи додавати підзапит тільки для того, щоб використати результат попереднього розрахунку. Код стає коротшим, а розбиратися в ньому — простіше (насправді, якщо ти юзаєш pipe-синтаксис, то там таке вже давно).
На прикладі нижче спочатку розраховується gross_price і це ж поле використовується для фільтрації в WHERE.
Важливий момент: функція вже загальнодоступна, але за замовчуванням вимкнена. Адміністратор має окремо увімкнути її на рівні проєкту або організації.
🚩 2. Два корисні оновлення Conversational Analytics.
По-перше, тепер можна створити розмову з даними одразу з кількох проєктів або з цілим датасетом. У випадку датасету не потрібно вручну перелічувати всі таблиці: агент сам шукає потрібні для відповіді й за потреби поєднує їх.
Це зручно, коли відповідь на твоє питання знаходиться десь між кількома таблицями, а ти не хочеш спочатку сам збирати з них окреме джерело для розмови.
По-друге, відповідь агента тепер можна експортувати: зберегти текст, візуалізації, таблиці й посилання на джерела у PDF, а табличні дані — у CSV. Тобто результат аналізу можна забрати із собою та передати колегам, а не залишати тільки всередині чату.
🚩 3. Інкрементальні трансфери PostgreSQL і ServiceNow стали загальнодоступними.
Ще одна корисна новина для тих, хто підтягує дані із цих систем через BigQuery Data Transfer Service: інкрементальні трансфери вийшли в GA.
Нагадаю, у чому суть: замість повторного завантаження всього набору даних можна передавати тільки нові та змінені записи.
Особливо корисно, коли даних уже багато, а між завантаженнями змінюється лише невелика їх частина. Перетягувати щоразу все заново в такому випадку просто не маєсенсу.
🚩 І ще: якщо ти пропустив появу Gemini 4, то BigQuery вже підтримує модель gemini-4-argon у своїх генеративних AI-функціях. Переглянути підтримувані моделі в довідці >>>
А далі — кілька новин про сервіси, які нечасто потрапляють у цю розсилку. Вони більше зі світу AI, але для нашої сфери ці оновлення теж дуже важливі.
👉 В Україні нарешті можна запускати рекламу в ChatGPT Ads.
Так, нарешті ця можливість докотилась і до України. OpenAI додала ще 26 країн, серед яких і Україна.
Переглянути офіційний анонс >>>
Нагадаю, що ми ще на початку літа підготували детальну інструкцію з налаштування відстеження конверсій для такої реклами через GTM. Тому якщо плануєш тестувати цей канал — інструкція вже чекає на тебе.
Як налаштувати відстеження конверсій ChatGPT Ads >>>
Ну а якщо потрібна допомога з налаштуванням — велкам, звертайся тут, або пиши у відповідь на цей лист 🙂
👉 У Claude з’явилися дашборди.
У Claude з’явився новий тип артефактів — дашборди. Поки що в бета-версії на платних тарифах.
На перший погляд може здатися, що це чергова новина зі світу AI. Але, як на мене, для аналітики вона теж дуже важлива.
Що фактично пропонує Claude? Підключити джерело даних і описати, який дашборд ти хочеш отримати. У моєму тестовому випадку це був BigQuery, підключений через MCP: Claude сам писав SQL-запити, а потім візуалізував результати.
Загалом перше враження — позитивне
(якщо не забувати, що це наразі бета, звісно).
По-перше, я бачу підключення до джерела даних. По-друге, бачу всі SQL-запити, які Claude написав. Тобто можу простежити, звідки взялося те чи інше число і як саме воно розраховане. І це прям вау історія, бо там реально клікаєш на число і тобі показує SQL який його порахував.
Плюс як завжди з AI можна просто через промпт просити додавати корисні штуки. Наприклад, крос-фільтрацію: вибираєш сегмент у таблиці — і графік показує дані тільки для нього. І виходить вже не просто статичний репорт, на який можна лише подивитися, а більш повноцінна система.
Але є й те, що мені не сподобалося: підхід до отримання даних. У моєму тесті всі дані були в одному view. Якби я робив такий звіт у Power BI, то імпортував би результат цього view в модель і далі працював із завантаженими даними. Тобто для кожного кожного віжуалу не потрібно було б знову звертатися до BigQuery.
Claude натомість зробив чотири окремі SQL-запити до одного view. Відповідно, обробку даних довелося оплачувати для кожного з них.
Тут, звісно, є нюанс: чотири запити не означають автоматично вчетверо більшу вартість. Важливо, скільки даних кожен із них обробляє. Якби замість view була готова таблиця з розрахованими даними, ситуація могла б бути кращою: Claude вибрав потрібні стовпчики, і йому не довелося б щоразу виконувати логіку підготовки даних. Але в моєму конкретному прикладі я поставив себе на місце людини, яка просто хоче отримати звіт і не розбиратися в технічних деталях. І вийшло саме так: довелося оплатити обробку даних у чотирьох запитах замість одного, якого могло б вистачити.
Виглядає так, що AI зараз може дати результат швидше, але хороший аналітик усе ще може зробити це економніше й краще врахувати бізнес-контекст. Тому я б поки не поспішав із висновками, що тепер усі самі собі будуватимуть репорти й аналітики більше не потрібні 🙂
Ну і не варто забувати, що AI все ще потрібен контекст даних. Я пробував інший тест: дати сирі дані без великих додаткових інструкцій — і отримав багато помилок при розрахунках. Не скажу, що це було несподіванкою: з нашого досвіду побудови AI data-агентів, пояснення структури даних і бізнес-логіки потребує чимало роботи.
Це трохи як з онбордингом нового співробітника. Якщо просто дати йому доступ до таблиць і сказати «ну, розбирайся», навряд чи варто очікувати, що він одразу все правильно зрозуміє.
А от коли я дав підготовлені дані з уже зробленими SQL-розрахунками, трохи пояснив контекст і описав візуалізацію яку я хочу — запрацювало досить добре, хоч і не економно (саме цей приклад я і описав на початку).
Тому загалом мені подобається, куди це рухається. Для індустрії це важлива новина. Але аналітикам, як на мене, найближчими роками все ще точно буде чим займатися.
🧰 Корисні матеріали
Частину корисних посилань я вже залишив вище, а оскільки окремого блоку новин Power BI цього разу немає, тут буде ще два матеріали саме про нього.
🔥 Генератор макетів для Power BI.
Якщо ти теж хочеш готувати фон для своїх звітів, але поки не готовий робити це у Figma чи підключати AI — зверни увагу на Power BI Layout Generator.
Це простий інструмент, у якому можна вибрати кольори, навігацію, розташування блоків і завантажити готову підкладку. Для якихось нескладних задач або коли потрібно швидко зібрати макет — виглядає досить непогано.
🔥 Fabric Apps на практиці: чому красиве демо — ще не готовий продукт
І ще один матеріал на продовження теми Fabric Apps із попередньої розсилки: наша колега Наташа Федоренко поділилася у спільному чаті хорошим відео.
Автор показує складніший приклад застосунку: з фільтрами, сторінками, підказками та експортом даних. Але цікаві тут не тільки можливості інструмента, а й різниця між ефектним прототипом і готовим продуктом, яким справді користуватимуться люди.
Бо швидко зібрати щось, що гарно виглядає на демо, — це одне. А продумати, які задачі воно має вирішувати і чи потрібні користувачам усі ці візуалізації, — вже інша історія.
Будь в курсі актуальних новин зі світу аналітики!