Я активно продолжаю эксперименты с нейросетями для оптимизации внутренних процессов. Сегодня расскажу, как мы используем ИИ для анализа еженедельных отчётов по рекламным кампаниям. Эта история о том, как мы избавляемся от рутины, повышаем качество анализа и освобождаем время для действительно важной работы.
🔍 Когда цифры захватывают всё внимание
Разберу на примере контекстной рекламы. Представьте себе даже небольшой рекламный кабинет: 5 рекламных кампаний и 9 базовых показателей для каждой (охваты, клики, CTR, CPC, отказы и т.д.).
Это уже 45 значений, которые нужно проанализировать. Но одних текущих цифр недостаточно — без динамики это просто набор чисел. Чтобы сделать нормальные выводы, надо смотреть изменения хотя бы за 4 недели.
Итого: 180 показателей. А если добавить серийные значения и отклонения от средних — получается 200+ цифр, которые нужно проанализировать только на уровне рекламных кампаний. И мы ещё даже до групп объявлений не добрались!
🚨 Человеческий мозг против информационного потока
Мозг человека не заточен под работу с таким количеством данных. Специалисту приходится отдельно анализировать каждый параметр, каждую кампанию, тратя на это огромное количество времени:
✓ Минимум час-полтора на базовый анализ одного проекта
✓ У наших специалистов обычно 3-5 проектов одновременно
✓ Целый день уходит только на то, чтобы понять, что происходит
При таком объёме данных растёт вероятность человеческой ошибки — что-то важное можно просто не заметить. А в некоторых агентствах, судя по чатам, у сотрудника бывает до 10 проектов — можете представить качество отчётности?
Вот почему большинство отчётов, которые я встречал, в лучшем случае содержат: "На прошлой неделе было так, сейчас вот так. Планируем делать это". Без нормальных связок, без глубины, без работы с гипотезами.
И что в итоге? Время уходит на рутинный анализ, а на стратегический взгляд и глубокую проработку его почти не остаётся.
🔧 Итоги наших 2 недель экспериментов
Мы начали серию экспериментов с использованием ИИ для автоматизации анализа. Вот с какими сложностями столкнулись и что с ними делали:
1️⃣ Слишком много данных сразу
Когда загружали весь объём показателей, нейросеть не справлялась. Пришлось сузить фокус до уровня компаний.
2️⃣ Динамика? Какая ещё динамика?
Загрузили данные за 4 недели по рекламным кампаниям. Все нейронки анализировали данные как единый набор, не учитывая изменения по неделям. Пришлось в промптах чётко прописывать логику работы с динамикой. Лучше всего себя показал Claude. Поэтому дальше работали только с ним.
3️⃣ Когда нейросеть не умеет считать
ИИ считал средние значения просто как среднее арифметическое. Например, суммировал четыре значения CTR и делил на четыре, что некорректно. Пришлось разработать и задать конкретную логику расчёта средневзвешенных показателей.
4️⃣ Творческий хаос в отчётах
Каждый запуск давал абсолютно разные отчёты, где терялись важные параметры. Иногда по одной кампании он анализировал одни показатели, по другой — совсем другие. А то забывал про какую-нибудь рекламную кампанию в общей таблице.
5️⃣ Код против хаоса
Claude со своим расчетом показателей через код, показал самые стабильные результаты. Данные сходятся с расчетными.
📊 Итоги тестов и внедрения
После внедрения нейросетей в аналитические процессы:
✓ Мы не столько выиграли во времени (на первом этапе даже немного потеряли), сколько повысили глубину анализа
✓ Нейросети отлично подсвечивают отклонения, на которые стоит обратить внимание
✓ Специалисты тратят меньше времени на сбор данных и больше — на анализ причин отклонений и разработку решений
✓ Сейчас переходим на следующий уровень — анализ внутренних показателей кампаний (семантики, ключевых слов, автотаргетинга, демографии, географии)
Вопрос
Как вы анализируете эффективность своих рекламных кампаний?
Поделитесь в комментариях своими идеями — самым интересным подходам мы разработаем и пришлём промпты для их реализации через нейросети!
