GA4 против Amplitude: где чаще всего ломается аналитика (и почему “правильная” настройка не спасает)
Я регулярно вижу одну и ту же картину: в компании настроили события в GA4 «как в методичке», сделали воронки, включили косты (стоимость) и вроде бы всё заработало. Потом приходит Amplitude (или Mixpanel/Heap), команда делает параллельную аналитику — и выясняется, что цифры не сходятся. Не на 1–2%, а радикально: конверсия в воронке то растёт, то падает, а когорты «плавают». На мой взгляд, проблема почти никогда не в инструменте. Проблема в модели измерения: как именно вы определяете пользователя, событие, сессию и “момент истины”.
Моё наблюдение из практики: чаще всего расхождения рождаются в трёх местах.
1) Идентификация пользователя: device id vs login id
В GA4 и Amplitude по-разному реализованы механики user identity и маппинга между анонимным и авторизованным состоянием. Если в одной системе “пользователь” — это device, а в другой — устойчивый login, то вы получите разные когорты и разные retention-показатели. Технически оба могут быть “правильными”. Бизнес-метрика при этом — нет.
2) Дублирование событий из-за серверной/клиентской отправки
Когда подключают server-side (отправку событий с сервера) или используют теги, которые дублируют one-time события (например, view → снова view при повторной отрисовке), разъезжаются и MAU, и воронки. В GA4 это особенно видно, когда событие попадает в несколько «сценариев» через разные источники. В Amplitude — если вы не закладываете идемпотентность (в логике “одно событие — один раз”).
3) Единый язык метрик не закреплён документом
Команды называют одинаковыми словами разные вещи: “lead” в одном месте — это submit формы, в другом — успешный handoff в sales (или даже переход в статус квалификации). В результате вы сравниваете несопоставимые события, и кажется, что инструмент «врёт». На самом деле инструмент просто показывает то, что вы ему разрешили.
Как я это чиню в stack-подходе (без религии GA4/Amplitude)
— Делаю **контракт событий**: список событий + формальные определения (что является триггером, какие поля обязательны, какие значения допустимы).
— Ввожу “контрольные” метрики: 3–5 событий, которые нельзя трактовать по-разному (например, login success, purchase completed, signup submitted).
— Согласую identity-стратегию: что первично до логина, что происходит после логина, как меряем пользователя в когортном разрезе.
Одна цифра из недавнего кейса: после наведения порядка в identity и запрета дублей мы получили разницу по конверсии на первом шаге воронки не «на десятки процентов», а в пределах 3–5%. До этого расхождение достигало ~22%. Суть была не в том, что GA4 или Amplitude “плохие”, а в том, что метрика “пользователь” определялась по-разному, и эта разница размножалась по цепочке: от воронок до retention.
Мой вывод: в analytics stack побеждает не тот, у кого больше фич, а тот, у кого лучше измерительная дисциплина. Инструмент можно менять. **Определение метрики — нельзя.**
— @AnalyticsStackRu
Соседняя редакция @MessengerMarketingRu недавно писала об этом под другим углом
Я регулярно вижу одну и ту же картину: в компании настроили события в GA4 «как в методичке», сделали воронки, включили косты (стоимость) и вроде бы всё заработало. Потом приходит Amplitude (или Mixpanel/Heap), команда делает параллельную аналитику — и выясняется, что цифры не сходятся. Не на 1–2%, а радикально: конверсия в воронке то растёт, то падает, а когорты «плавают». На мой взгляд, проблема почти никогда не в инструменте. Проблема в модели измерения: как именно вы определяете пользователя, событие, сессию и “момент истины”.
Моё наблюдение из практики: чаще всего расхождения рождаются в трёх местах.
1) Идентификация пользователя: device id vs login id
В GA4 и Amplitude по-разному реализованы механики user identity и маппинга между анонимным и авторизованным состоянием. Если в одной системе “пользователь” — это device, а в другой — устойчивый login, то вы получите разные когорты и разные retention-показатели. Технически оба могут быть “правильными”. Бизнес-метрика при этом — нет.
2) Дублирование событий из-за серверной/клиентской отправки
Когда подключают server-side (отправку событий с сервера) или используют теги, которые дублируют one-time события (например, view → снова view при повторной отрисовке), разъезжаются и MAU, и воронки. В GA4 это особенно видно, когда событие попадает в несколько «сценариев» через разные источники. В Amplitude — если вы не закладываете идемпотентность (в логике “одно событие — один раз”).
3) Единый язык метрик не закреплён документом
Команды называют одинаковыми словами разные вещи: “lead” в одном месте — это submit формы, в другом — успешный handoff в sales (или даже переход в статус квалификации). В результате вы сравниваете несопоставимые события, и кажется, что инструмент «врёт». На самом деле инструмент просто показывает то, что вы ему разрешили.
Как я это чиню в stack-подходе (без религии GA4/Amplitude)
— Делаю **контракт событий**: список событий + формальные определения (что является триггером, какие поля обязательны, какие значения допустимы).
— Ввожу “контрольные” метрики: 3–5 событий, которые нельзя трактовать по-разному (например, login success, purchase completed, signup submitted).
— Согласую identity-стратегию: что первично до логина, что происходит после логина, как меряем пользователя в когортном разрезе.
Одна цифра из недавнего кейса: после наведения порядка в identity и запрета дублей мы получили разницу по конверсии на первом шаге воронки не «на десятки процентов», а в пределах 3–5%. До этого расхождение достигало ~22%. Суть была не в том, что GA4 или Amplitude “плохие”, а в том, что метрика “пользователь” определялась по-разному, и эта разница размножалась по цепочке: от воронок до retention.
Мой вывод: в analytics stack побеждает не тот, у кого больше фич, а тот, у кого лучше измерительная дисциплина. Инструмент можно менять. **Определение метрики — нельзя.**
— @AnalyticsStackRu
Соседняя редакция @MessengerMarketingRu недавно писала об этом под другим углом
GA4 vs «плагины Universal Analytics»: как не потерять события при миграции
Если у вас в прошлых проектах были «универсальные аналитические плагины» (Universal Analytics Plugins) и вы сейчас переносите логику в GA4 или в свой аналитический стек, проверьте риски как методический аудит. Не «вспомнить», а системно восстановить соответствия событий.
— Инвентаризируйте плагины и их области действия
Составьте таблицу: название плагина, что именно менял (валидации, фильтрация, обогащение), на каких страницах/событиях работал. Дальше это станет картой соответствий для GA4 событий.
— Зафиксируйте правила трансформаций в исходном виде
Плагины часто меняют поля до отправки: формат, параметры, структуру категории/действия. Перенесите логику в описание: какие входные поля → какие выходные, какие условия срабатывания.
— Подсветите «тихие потери» данных при переносе
В UA часть логики могла не доходить до отчётов как ожидается (например, если плагин блокировал событие или корректировал параметры). Проверьте, какие события в UA были «всегда» и какие внезапно могут стать редкими в GA4.
— Переведите аналитику в контролируемые конвейеры (GTM/сервер)
Вместо «вшитых» UA-плагинов заложите трансформации в более управляемый слой: тег-менеджер или серверная прослойка (server-side), чтобы правила были воспроизводимыми и тестируемыми.
— Сделайте сопоставление UA-параметров с GA4-структурой
Сформируйте маппинг: category/action/label и прочие UA-поля → в какие параметры GA4 event (имя события, параметры, пользовательские/сессионные свойства). Цель — чтобы отчётность и воронки строились на одинаковом смысле.
— Проведите регрессионное тестирование на одинаковых сценариях
Прогоните 5–10 пользовательских путей (лендинг → форма → отправка → навигация) и сравните: полный набор событий, обязательные параметры, кратность, порядок. Сравнение делайте не «по ощущению», а по экспортам сырья.
— Документируйте правила для RevOps/контроля качества выручки
Раз GA4/стек становится частью ответственности маркетинга-сейлза-customer success за выручку, добавьте в регламенты: какие события считаются конверсией, какие — поддержкой, где ошибка превращается в неверный MQL/SQL (и как это отлавливать до релиза).
когда это пригодится: при миграции с Universal Analytics и разборе расхождений по событиям в GA4 после изменений в тегах или измерениях.
— @AnalyticsStackRu
Если у вас в прошлых проектах были «универсальные аналитические плагины» (Universal Analytics Plugins) и вы сейчас переносите логику в GA4 или в свой аналитический стек, проверьте риски как методический аудит. Не «вспомнить», а системно восстановить соответствия событий.
— Инвентаризируйте плагины и их области действия
Составьте таблицу: название плагина, что именно менял (валидации, фильтрация, обогащение), на каких страницах/событиях работал. Дальше это станет картой соответствий для GA4 событий.
— Зафиксируйте правила трансформаций в исходном виде
Плагины часто меняют поля до отправки: формат, параметры, структуру категории/действия. Перенесите логику в описание: какие входные поля → какие выходные, какие условия срабатывания.
— Подсветите «тихие потери» данных при переносе
В UA часть логики могла не доходить до отчётов как ожидается (например, если плагин блокировал событие или корректировал параметры). Проверьте, какие события в UA были «всегда» и какие внезапно могут стать редкими в GA4.
— Переведите аналитику в контролируемые конвейеры (GTM/сервер)
Вместо «вшитых» UA-плагинов заложите трансформации в более управляемый слой: тег-менеджер или серверная прослойка (server-side), чтобы правила были воспроизводимыми и тестируемыми.
— Сделайте сопоставление UA-параметров с GA4-структурой
Сформируйте маппинг: category/action/label и прочие UA-поля → в какие параметры GA4 event (имя события, параметры, пользовательские/сессионные свойства). Цель — чтобы отчётность и воронки строились на одинаковом смысле.
— Проведите регрессионное тестирование на одинаковых сценариях
Прогоните 5–10 пользовательских путей (лендинг → форма → отправка → навигация) и сравните: полный набор событий, обязательные параметры, кратность, порядок. Сравнение делайте не «по ощущению», а по экспортам сырья.
— Документируйте правила для RevOps/контроля качества выручки
Раз GA4/стек становится частью ответственности маркетинга-сейлза-customer success за выручку, добавьте в регламенты: какие события считаются конверсией, какие — поддержкой, где ошибка превращается в неверный MQL/SQL (и как это отлавливать до релиза).
когда это пригодится: при миграции с Universal Analytics и разборе расхождений по событиям в GA4 после изменений в тегах или измерениях.
— @AnalyticsStackRu
Как выбрать систему продуктовой аналитики под B2B и e-commerce
Если у вас в 2026 году маркетинг завязан на retention, LTV и общую выручку, выбор аналитики уже не про «какой график красивее». Смотрите на задачу: куда пойдут решения — в продукт, в performance или в RevOps.
Сделайте выбор за 5 шагов:
— Зафиксируйте 3 вопроса, на которые система должна отвечать еженедельно. Например: где теряем лидов до демо, какие сценарии ведут к повторной покупке, какие каналы дают не просто заявки, а выручку.
— Проверьте, как платформа работает с событиями. Для **GA4** это базовая веб-аналитика и отчётность по трафику, для **Amplitude** и **Mixpanel** — сильнее продуктовые воронки и когортный анализ, **Heap** удобен, когда важна автосборка событий и быстрый старт без долгой разметки.
— Сверьте интеграции с вашей реальной схемой данных: CRM, серверные события, CDP, рекламные кабинеты, BI. Если нужен server-side и privacy-first атрибуция, платформа должна жить не отдельно, а в общей схеме с CRM и warehouse.
— Проверьте права доступа и логику ролей. Маркетингу нужны каналы и кампании, продукту — поведение, sales — качество лидов, customer success — удержание и повторные продажи. Если всё смотрят в один отчёт, система не приживётся.
— Запустите пилот на одном сценарии. Например: онбординг в SaaS или повторная покупка в e-commerce. Через 2 недели должно быть понятно, кто теряет пользователя, на каком шаге и какое действие менять.
Практическое правило: **GA4 — для веба и маркетинга, Amplitude/Mixpanel — для продуктовой глубины, Heap — для быстрого старта и меньшей нагрузки на разметку**.
Не выбирайте платформу «на вырост». Выбирайте под один управленческий вопрос, который влияет на выручку уже сейчас.
— @AnalyticsStackRu
Если у вас в 2026 году маркетинг завязан на retention, LTV и общую выручку, выбор аналитики уже не про «какой график красивее». Смотрите на задачу: куда пойдут решения — в продукт, в performance или в RevOps.
Сделайте выбор за 5 шагов:
— Зафиксируйте 3 вопроса, на которые система должна отвечать еженедельно. Например: где теряем лидов до демо, какие сценарии ведут к повторной покупке, какие каналы дают не просто заявки, а выручку.
— Проверьте, как платформа работает с событиями. Для **GA4** это базовая веб-аналитика и отчётность по трафику, для **Amplitude** и **Mixpanel** — сильнее продуктовые воронки и когортный анализ, **Heap** удобен, когда важна автосборка событий и быстрый старт без долгой разметки.
— Сверьте интеграции с вашей реальной схемой данных: CRM, серверные события, CDP, рекламные кабинеты, BI. Если нужен server-side и privacy-first атрибуция, платформа должна жить не отдельно, а в общей схеме с CRM и warehouse.
— Проверьте права доступа и логику ролей. Маркетингу нужны каналы и кампании, продукту — поведение, sales — качество лидов, customer success — удержание и повторные продажи. Если всё смотрят в один отчёт, система не приживётся.
— Запустите пилот на одном сценарии. Например: онбординг в SaaS или повторная покупка в e-commerce. Через 2 недели должно быть понятно, кто теряет пользователя, на каком шаге и какое действие менять.
Практическое правило: **GA4 — для веба и маркетинга, Amplitude/Mixpanel — для продуктовой глубины, Heap — для быстрого старта и меньшей нагрузки на разметку**.
Не выбирайте платформу «на вырост». Выбирайте под один управленческий вопрос, который влияет на выручку уже сейчас.
— @AnalyticsStackRu
Факт-таблица (fact table) в аналитическом контуре
Факт-таблица — это таблица в модели данных аналитики, где хранятся измерения поведения и событий как “факты”: что произошло и при каких параметрах. Типичные поля: идентификатор события/действия, время (timestamp), ключи к контексту (пользователь, сессия, заказ, продукт), а также числовые метрики (количество, выручка, длительность) или коды атрибутов (канал, устройство, план тарифов).
Чем отличается от измерительной (dimension) таблицы:
— Факт-таблица отвечает на вопрос “как часто и сколько” (и для чего это было).
— Dimension-таблица отвечает на вопрос “какой” (кто/какой продукт/какой канал/какие свойства).
GA4, Amplitude и Mixpanel по смыслу близки к комбинированию этих слоёв, но в BI-слое (DWH/витринах) модель чаще явно разделяют: факты — события, измерения — справочники.
Типичные ошибки:
— Смешивать в одном месте “справочные” значения и “событийные” метрики: например, хранить название кампании в каждой строке события, вместо нормализации в dimension.
— Делать событие “пользователь_создал_аккаунт” измерением пользователя: тогда теряется многократность и корректная динамика по времени.
— Подменять “metric” логикой вычислений в момент запроса и получать разные результаты в GA4 и в отчёте DWH.
Пример:
В e-com вы фиксируете fact-талицу `orders_events`: каждая строка — событие покупки с ключами `user_id`, `order_id`, `product_id`, `timestamp` и полем `revenue`. Dimension-таблицы содержат `channels` (UTM/источник), `products` (категория/маржа) и `users` (когортные признаки). Это помогает корректно считать LTV и удержание (retention) даже при privacy-first атрибуции, когда last-click становится менее надежным.
Заголовок вашей модели данных должен звучать так: “Факт — это строки про события, измерения — это описания для фильтров”.
Факт-таблица — это таблица в модели данных аналитики, где хранятся измерения поведения и событий как “факты”: что произошло и при каких параметрах. Типичные поля: идентификатор события/действия, время (timestamp), ключи к контексту (пользователь, сессия, заказ, продукт), а также числовые метрики (количество, выручка, длительность) или коды атрибутов (канал, устройство, план тарифов).
Чем отличается от измерительной (dimension) таблицы:
— Факт-таблица отвечает на вопрос “как часто и сколько” (и для чего это было).
— Dimension-таблица отвечает на вопрос “какой” (кто/какой продукт/какой канал/какие свойства).
GA4, Amplitude и Mixpanel по смыслу близки к комбинированию этих слоёв, но в BI-слое (DWH/витринах) модель чаще явно разделяют: факты — события, измерения — справочники.
Типичные ошибки:
— Смешивать в одном месте “справочные” значения и “событийные” метрики: например, хранить название кампании в каждой строке события, вместо нормализации в dimension.
— Делать событие “пользователь_создал_аккаунт” измерением пользователя: тогда теряется многократность и корректная динамика по времени.
— Подменять “metric” логикой вычислений в момент запроса и получать разные результаты в GA4 и в отчёте DWH.
Пример:
В e-com вы фиксируете fact-талицу `orders_events`: каждая строка — событие покупки с ключами `user_id`, `order_id`, `product_id`, `timestamp` и полем `revenue`. Dimension-таблицы содержат `channels` (UTM/источник), `products` (категория/маржа) и `users` (когортные признаки). Это помогает корректно считать LTV и удержание (retention) даже при privacy-first атрибуции, когда last-click становится менее надежным.
Заголовок вашей модели данных должен звучать так: “Факт — это строки про события, измерения — это описания для фильтров”.
GA4 не «плохой». Плохой у вас часто процесс вокруг него
Я всё чаще вижу одну и ту же ошибку в аналитическом стеке: GA4 пытаются использовать как универсальный ответ на любой вопрос, а потом ругают его за шум, неполноту и «кривую» отчётность. На практике проблема обычно не в самой системе, а в том, что ей поручили чужую работу.
GA4 силён там, где нужен широкий слой наблюдения: трафик, поведение по источникам, первичная диагностика воронки, быстрые срезы по каналам. Это хороший «первый экран» для маркетинга. Но как только задача становится глубже — удержание, продуктовые сценарии, когорты, сравнение качественных сегментов, влияние действий на выручку — одного GA4 уже мало.
Я бы формулировал так: **GA4 — это навигатор, а не черный ящик для управленческих решений**. Он показывает направление, но не объясняет причинность. И именно здесь начинаются бессмысленные споры «GA4 против Amplitude» или «GA4 против Mixpanel». Это не конкуренты, если вы строите нормальный стек. Это разные уровни зрелости.
В одном B2B-проекте у нас было 18 событий в GA4 и почти 70 в Amplitude. После сверки оказалось, что маркетинг месяцами смотрел на усреднённую конверсию, а продукт — на поведение ключевого сегмента, который приносил 62% оплаченных сделок. GA4 этот слой не подсвечивал: там всё «среднее» и слишком общее. В итоге решение по бюджету приняли только после того, как связали GA4 с продуктовой аналитикой и CRM.
Мой вывод простой:
— GA4 нужен всем, но не как единственная система истины;
— Amplitude или Mixpanel нужны там, где важны сценарии и удержание;
— Heap полезен, когда надо ускорить сбор событий и не утонуть в ручной разметке.
В 2026-м выигрывает не тот, у кого «есть аналитика», а тот, у кого она связана с выручкой, продуктом и действиями. Поэтому я бы меньше спорил о том, какая платформа лучше, и больше — о том, какой вопрос она вообще должна закрывать.
Соседняя редакция @BigQuery4Marketing недавно писала об этом под другим углом
Я всё чаще вижу одну и ту же ошибку в аналитическом стеке: GA4 пытаются использовать как универсальный ответ на любой вопрос, а потом ругают его за шум, неполноту и «кривую» отчётность. На практике проблема обычно не в самой системе, а в том, что ей поручили чужую работу.
GA4 силён там, где нужен широкий слой наблюдения: трафик, поведение по источникам, первичная диагностика воронки, быстрые срезы по каналам. Это хороший «первый экран» для маркетинга. Но как только задача становится глубже — удержание, продуктовые сценарии, когорты, сравнение качественных сегментов, влияние действий на выручку — одного GA4 уже мало.
Я бы формулировал так: **GA4 — это навигатор, а не черный ящик для управленческих решений**. Он показывает направление, но не объясняет причинность. И именно здесь начинаются бессмысленные споры «GA4 против Amplitude» или «GA4 против Mixpanel». Это не конкуренты, если вы строите нормальный стек. Это разные уровни зрелости.
В одном B2B-проекте у нас было 18 событий в GA4 и почти 70 в Amplitude. После сверки оказалось, что маркетинг месяцами смотрел на усреднённую конверсию, а продукт — на поведение ключевого сегмента, который приносил 62% оплаченных сделок. GA4 этот слой не подсвечивал: там всё «среднее» и слишком общее. В итоге решение по бюджету приняли только после того, как связали GA4 с продуктовой аналитикой и CRM.
Мой вывод простой:
— GA4 нужен всем, но не как единственная система истины;
— Amplitude или Mixpanel нужны там, где важны сценарии и удержание;
— Heap полезен, когда надо ускорить сбор событий и не утонуть в ручной разметке.
В 2026-м выигрывает не тот, у кого «есть аналитика», а тот, у кого она связана с выручкой, продуктом и действиями. Поэтому я бы меньше спорил о том, какая платформа лучше, и больше — о том, какой вопрос она вообще должна закрывать.
Соседняя редакция @BigQuery4Marketing недавно писала об этом под другим углом
AI-поиск для маркетинга: 3 инструмента, которые стоит сравнить
В 2026 году маркетинговая аналитика всё чаще живёт не в одном дашборде, а на стыке источников, AI-агентов и проверяемых данных. Это особенно заметно в B2B и performance: меньше доверия «красивым» ответам, больше спроса на воспроизводимость, ссылки на первичку и понятный контекст. Ниже — три инструмента, которые решают похожую задачу по-разному.
Writer — для команд маркетинга, контента и исследований — сильная сторона: AI-поиск с опорой на первичные источники и управляемые бренд-системы, где можно закрепить тон, терминологию и стиль — минус: это скорее платформа для сложной корпоративной работы, чем лёгкий инструмент «на каждый день» для малого маркетинга.
GA4 — для performance-маркетологов и аналитиков, которым нужен базовый слой веб- и app-измерения — сильная сторона: бесплатный стандарт де-факто, нормальная связка с рекламными кабинетами и достаточная глубина для большинства воронок — минус: слабее в гибкой событийной аналитике и пользовательских путях, чем специализированные продукты.
Amplitude — для продуктового маркетинга, retention-аналитики и команд, которые смотрят на поведение по когортам — сильная сторона: сильная событийная модель, воронки, удержание, сегменты и сценарии использования продукта — минус: требует дисциплины в разметке и заметно дороже по мере роста данных и команды.
Mixpanel — для команд, которым нужна быстрая поведенческая аналитика без тяжёлого внедрения — сильная сторона: удобный интерфейс, быстрый ответ на вопросы по событиям и конверсиям, хорош для ежедневной работы PMM и аналитика — минус: меньше подходит как единый «источник правды» для сложной enterprise-отчётности.
**Как выбирать:** если нужен управляемый AI-поиск и бренд-контроль — Writer; если базовая аналитика сайта и трафика — GA4; если важны поведение, удержание и продуктовые когорты — Amplitude или Mixpanel, где Mixpanel проще стартует, а Amplitude чаще выигрывает на масштабе.
— @AnalyticsStackRu
В 2026 году маркетинговая аналитика всё чаще живёт не в одном дашборде, а на стыке источников, AI-агентов и проверяемых данных. Это особенно заметно в B2B и performance: меньше доверия «красивым» ответам, больше спроса на воспроизводимость, ссылки на первичку и понятный контекст. Ниже — три инструмента, которые решают похожую задачу по-разному.
Writer — для команд маркетинга, контента и исследований — сильная сторона: AI-поиск с опорой на первичные источники и управляемые бренд-системы, где можно закрепить тон, терминологию и стиль — минус: это скорее платформа для сложной корпоративной работы, чем лёгкий инструмент «на каждый день» для малого маркетинга.
GA4 — для performance-маркетологов и аналитиков, которым нужен базовый слой веб- и app-измерения — сильная сторона: бесплатный стандарт де-факто, нормальная связка с рекламными кабинетами и достаточная глубина для большинства воронок — минус: слабее в гибкой событийной аналитике и пользовательских путях, чем специализированные продукты.
Amplitude — для продуктового маркетинга, retention-аналитики и команд, которые смотрят на поведение по когортам — сильная сторона: сильная событийная модель, воронки, удержание, сегменты и сценарии использования продукта — минус: требует дисциплины в разметке и заметно дороже по мере роста данных и команды.
Mixpanel — для команд, которым нужна быстрая поведенческая аналитика без тяжёлого внедрения — сильная сторона: удобный интерфейс, быстрый ответ на вопросы по событиям и конверсиям, хорош для ежедневной работы PMM и аналитика — минус: меньше подходит как единый «источник правды» для сложной enterprise-отчётности.
**Как выбирать:** если нужен управляемый AI-поиск и бренд-контроль — Writer; если базовая аналитика сайта и трафика — GA4; если важны поведение, удержание и продуктовые когорты — Amplitude или Mixpanel, где Mixpanel проще стартует, а Amplitude чаще выигрывает на масштабе.
— @AnalyticsStackRu
Домен события в аналитике: что это и чем отличается от события
Когда маркетологи и продуктовые команды говорят «домен события», чаще всего они имеют в виду группировку событий по смыслу и источнику: например, “Покупка”, “Поиск”, “Профиль пользователя”, “API-ошибки”, “Рекламные клики”. В отличие от самого события (event), домен определяет “рамку”, внутри которой событие становится интерпретируемым и сравнимым.
Чем домен события отличается от события
— Событие — это конкретный факт, который вы фиксируете (например, `OrderCreated` или `SearchSubmitted`): у него есть параметры и тайминг.
— Домен — это логическая категория/контейнер для набора событий (например, “E-commerce purchase” или “Search”). Домены нужны, чтобы строить отчёты и метрики так, чтобы команды не спорили о трактовках.
Типичные ошибки
— Пытаться заменить домен названием события. В итоге разные трекеры создают разные “смыслы” и ломают аналитику.
— Смешивать в один домен пользовательские действия и технические сигналы (например, успех/ошибка API). Потом сложно объяснить падения и провести диагностику.
— Использовать домены как “контейнер атрибута” (например, для кампании). Атрибуция — отдельный слой: классификация пользователей/сессий/конверсий, а не домены.
Пример
Вы определили домен “Поиск”. Внутри него есть события:
— `SearchSubmitted` (пользователь отправил запрос)
— `SearchResultViewed` (показали результаты)
— `NoResultsShown` (результатов нет)
Тогда в GA4, Amplitude или Mixpanel вы сможете одинаково считать воронку поиска по домену и сравнивать её между сегментами, не путая “поиск” с “просмотрами карточек товара”.
По этой же теме советуем @BankingCasesRu
Когда маркетологи и продуктовые команды говорят «домен события», чаще всего они имеют в виду группировку событий по смыслу и источнику: например, “Покупка”, “Поиск”, “Профиль пользователя”, “API-ошибки”, “Рекламные клики”. В отличие от самого события (event), домен определяет “рамку”, внутри которой событие становится интерпретируемым и сравнимым.
Чем домен события отличается от события
— Событие — это конкретный факт, который вы фиксируете (например, `OrderCreated` или `SearchSubmitted`): у него есть параметры и тайминг.
— Домен — это логическая категория/контейнер для набора событий (например, “E-commerce purchase” или “Search”). Домены нужны, чтобы строить отчёты и метрики так, чтобы команды не спорили о трактовках.
Типичные ошибки
— Пытаться заменить домен названием события. В итоге разные трекеры создают разные “смыслы” и ломают аналитику.
— Смешивать в один домен пользовательские действия и технические сигналы (например, успех/ошибка API). Потом сложно объяснить падения и провести диагностику.
— Использовать домены как “контейнер атрибута” (например, для кампании). Атрибуция — отдельный слой: классификация пользователей/сессий/конверсий, а не домены.
Пример
Вы определили домен “Поиск”. Внутри него есть события:
— `SearchSubmitted` (пользователь отправил запрос)
— `SearchResultViewed` (показали результаты)
— `NoResultsShown` (результатов нет)
Тогда в GA4, Amplitude или Mixpanel вы сможете одинаково считать воронку поиска по домену и сравнивать её между сегментами, не путая “поиск” с “просмотрами карточек товара”.
По этой же теме советуем @BankingCasesRu
Эволюция атрибуции в эпоху Zero-click: как Lamoda перешла от last-click к модели жизненного цикла клиента
Контекст: В 2026 году классическая модель атрибуции по последнему клику (last-click) окончательно утратила статус «золотого стандарта». В условиях, когда поиск все чаще выдает готовые ответы в AI-обзорах, а пользователи совершают покупки без прямого перехода на сайт из выдачи, маркетологам пришлось искать альтернативы для оценки эффективности каналов.
Задача: Lamoda столкнулась с тем, что performance-маркетинг (эффективное продвижение) начал показывать перегретую стоимость привлечения, в то время как вклад контентных интеграций и охватных кампаний оставался невидимым. Нужно было понять, какой вклад в LTV (пожизненную ценность клиента) вносят неочевидные точки касания, чтобы не допустить сокращения бюджетов на каналы с отложенным спросом.
Решение: Компания внедрила систему гибридной аналитики, объединив серверную атрибуцию (server-side tracking) и эконометрическое моделирование (MMM).
— В Amplitude построили воронки, которые учитывали не только факт транзакции, но и «касания» клиента с полезным контентом внутри приложения.
— Сравнили данные GA4 с собственным хранилищем данных, чтобы выявить расхождения между «рекламным» трафиком и реальными сессиями.
— Отказались от оценки по первому или последнему переходу в пользу модели распределения ценности на основе данных о повторных покупках.
Результат: Выяснилось, что 35% аудитории, приходящей через органические обзоры и тематические статьи, совершают повторную покупку в течение 90 дней, тогда как «горячий» трафик с контекстной рекламы в 40% случаев ограничивался одной покупкой. Перераспределение бюджета в пользу каналов с высоким коэффициентом удержания (retention) позволило снизить стоимость привлечения клиента на 12% при сохранении общего объема выручки. Компания перешла от стратегии «продажа здесь и сейчас» к RevOps (общей ответственности команд маркетинга и продаж за выручку), где метрикой успеха стала не стоимость лида, а маржинальность жизненного цикла пользователя.
Урок: В условиях экономики, ориентированной на экономию, данные о первой покупке — лишь верхушка айсберга. Уход от линейных моделей атрибуции в сторону анализа накопленного влияния каждого касания — единственный способ выжить, когда SEO-трафик теряет привычную форму. Если ваш стек аналитики все еще опирается на события, происходящие только внутри браузера, вы упускаете из виду до половины ценности, которую генерирует ваш контент и бренд-коммуникация. В 2026 году побеждает не тот, кто первым дотянулся до кошелька клиента, а тот, кто выстроил наиболее устойчивую экосистему повторных взаимодействий.
Контекст: В 2026 году классическая модель атрибуции по последнему клику (last-click) окончательно утратила статус «золотого стандарта». В условиях, когда поиск все чаще выдает готовые ответы в AI-обзорах, а пользователи совершают покупки без прямого перехода на сайт из выдачи, маркетологам пришлось искать альтернативы для оценки эффективности каналов.
Задача: Lamoda столкнулась с тем, что performance-маркетинг (эффективное продвижение) начал показывать перегретую стоимость привлечения, в то время как вклад контентных интеграций и охватных кампаний оставался невидимым. Нужно было понять, какой вклад в LTV (пожизненную ценность клиента) вносят неочевидные точки касания, чтобы не допустить сокращения бюджетов на каналы с отложенным спросом.
Решение: Компания внедрила систему гибридной аналитики, объединив серверную атрибуцию (server-side tracking) и эконометрическое моделирование (MMM).
— В Amplitude построили воронки, которые учитывали не только факт транзакции, но и «касания» клиента с полезным контентом внутри приложения.
— Сравнили данные GA4 с собственным хранилищем данных, чтобы выявить расхождения между «рекламным» трафиком и реальными сессиями.
— Отказались от оценки по первому или последнему переходу в пользу модели распределения ценности на основе данных о повторных покупках.
Результат: Выяснилось, что 35% аудитории, приходящей через органические обзоры и тематические статьи, совершают повторную покупку в течение 90 дней, тогда как «горячий» трафик с контекстной рекламы в 40% случаев ограничивался одной покупкой. Перераспределение бюджета в пользу каналов с высоким коэффициентом удержания (retention) позволило снизить стоимость привлечения клиента на 12% при сохранении общего объема выручки. Компания перешла от стратегии «продажа здесь и сейчас» к RevOps (общей ответственности команд маркетинга и продаж за выручку), где метрикой успеха стала не стоимость лида, а маржинальность жизненного цикла пользователя.
Урок: В условиях экономики, ориентированной на экономию, данные о первой покупке — лишь верхушка айсберга. Уход от линейных моделей атрибуции в сторону анализа накопленного влияния каждого касания — единственный способ выжить, когда SEO-трафик теряет привычную форму. Если ваш стек аналитики все еще опирается на события, происходящие только внутри браузера, вы упускаете из виду до половины ценности, которую генерирует ваш контент и бренд-коммуникация. В 2026 году побеждает не тот, кто первым дотянулся до кошелька клиента, а тот, кто выстроил наиболее устойчивую экосистему повторных взаимодействий.
Эволюция атрибуции: почему Lamoda перешла от last-click к моделированию маркетингового микса
Контекст: в условиях 2026 года, когда стоимость привлечения клиента растет, а эпоха «нулевых кликов» (когда пользователь получает ответ прямо в поисковой выдаче без перехода на сайт) обесценивает классические цепочки касаний, привычная аналитика по последнему клику (last-click) стала давать критические искажения. Для крупных игроков в сфере электронной коммерции это означает необоснованное завышение бюджета на performance-каналы в ущерб брендингу.
Задача: Lamoda столкнулась с тем, что вклад медийной рекламы в долгосрочный рост LTV (пожизненной ценности клиента) оставался «невидимым» для стандартных отчетов GA4. При снижении среднего чека на 6% по рынку, компании требовалось понять, какие именно каналы реально влияют на повторные покупки, а не просто перехватывают трафик на этапе готовности к транзакции.
Решение: переход на гибридную аналитическую модель. Команда внедрила MMM (маркетинговое моделирование микса) в связке с server-side (серверной) передачей данных. Вместо опоры только на cookie-файлы, которые блокируются браузерами, компания стала использовать собственные данные о пользователях в Amplitude для построения прогнозируемых моделей оттока и удержания. Интеграция с Mixpanel позволила сегментировать аудиторию не по источнику входа, а по глубине взаимодействия с контентом сайта.
Результат:
— Снижение расходов на «каннибализирующие» каналы (контекстная реклама по брендовым запросам) на 12%.
— Перераспределение 15% бюджета в пользу охватных кампаний, которые показали накопленный эффект через 3-4 недели после первого касания.
— Рост показателя удержания (retention) на 4,5% за счет более точной настройки рекламных сообщений на основе AI-генерации под конкретные сегменты интересов, выявленные через Amplitude.
Урок для индустрии: в эпоху privacy-first (приоритета приватности) точность до конкретного клика — это иллюзия. Основные выводы для аналитиков:
— Перестаньте слепо доверять GA4 в вопросах оценки медийного охвата. Инструмент отлично считает конверсии, но не видит влияние бренда на принятие решения.
— MMM — это не атавизм, а единственный способ оценить эффективность в мире без сторонних cookie-файлов.
— RevOps-подход требует объединения данных о продажах и маркетинговых затратах в единый дашборд. Если аналитик не видит вклад маркетинга в стоимость удержания (CAC/LTV), он работает только с половиной картины.
Сегодня выигрывает не тот, кто первым поставил тег отслеживания, а тот, кто научился моделировать влияние каждого вложенного рубля на выручку всей системы, а не отдельного рекламного кабинета.
Контекст: в условиях 2026 года, когда стоимость привлечения клиента растет, а эпоха «нулевых кликов» (когда пользователь получает ответ прямо в поисковой выдаче без перехода на сайт) обесценивает классические цепочки касаний, привычная аналитика по последнему клику (last-click) стала давать критические искажения. Для крупных игроков в сфере электронной коммерции это означает необоснованное завышение бюджета на performance-каналы в ущерб брендингу.
Задача: Lamoda столкнулась с тем, что вклад медийной рекламы в долгосрочный рост LTV (пожизненной ценности клиента) оставался «невидимым» для стандартных отчетов GA4. При снижении среднего чека на 6% по рынку, компании требовалось понять, какие именно каналы реально влияют на повторные покупки, а не просто перехватывают трафик на этапе готовности к транзакции.
Решение: переход на гибридную аналитическую модель. Команда внедрила MMM (маркетинговое моделирование микса) в связке с server-side (серверной) передачей данных. Вместо опоры только на cookie-файлы, которые блокируются браузерами, компания стала использовать собственные данные о пользователях в Amplitude для построения прогнозируемых моделей оттока и удержания. Интеграция с Mixpanel позволила сегментировать аудиторию не по источнику входа, а по глубине взаимодействия с контентом сайта.
Результат:
— Снижение расходов на «каннибализирующие» каналы (контекстная реклама по брендовым запросам) на 12%.
— Перераспределение 15% бюджета в пользу охватных кампаний, которые показали накопленный эффект через 3-4 недели после первого касания.
— Рост показателя удержания (retention) на 4,5% за счет более точной настройки рекламных сообщений на основе AI-генерации под конкретные сегменты интересов, выявленные через Amplitude.
Урок для индустрии: в эпоху privacy-first (приоритета приватности) точность до конкретного клика — это иллюзия. Основные выводы для аналитиков:
— Перестаньте слепо доверять GA4 в вопросах оценки медийного охвата. Инструмент отлично считает конверсии, но не видит влияние бренда на принятие решения.
— MMM — это не атавизм, а единственный способ оценить эффективность в мире без сторонних cookie-файлов.
— RevOps-подход требует объединения данных о продажах и маркетинговых затратах в единый дашборд. Если аналитик не видит вклад маркетинга в стоимость удержания (CAC/LTV), он работает только с половиной картины.
Сегодня выигрывает не тот, кто первым поставил тег отслеживания, а тот, кто научился моделировать влияние каждого вложенного рубля на выручку всей системы, а не отдельного рекламного кабинета.
GA4 — это не «плохая аналитика». Это хороший компромисс, если вам нужно жить в экосистеме Google
За последние два года я всё чаще вижу один и тот же спор: «почему GA4 неудобен и зачем вообще он нужен, если есть Amplitude, Mixpanel или Heap». Мой ответ простой: у этих инструментов разная работа.
GA4 я считаю не продуктовой аналитикой, а **универсальным слоем наблюдения за маркетингом**. Он полезен там, где нужно связать каналы, кампании, события на сайте и базовую выручку. Но как только задача становится глубже — понять, почему пользователь возвращается, где ломается активация, как меняется поведение когорт, — GA4 быстро упирается в потолок.
Я это хорошо вижу на проектах, где есть и рекламный трафик, и продуктовая воронка. В одном B2B-кейсе после переноса событий из GA4 в Amplitude мы нашли, что форма заявки была не главной проблемой. Оказалось, что 38% пользователей доходили до демо, но не завершали его из-за провала между первым и вторым шагом онбординга. В GA4 это выглядело как обычная просадка конверсии. В Amplitude — как конкретный разрыв сценария.
Моя позиция такая:
— GA4 нужен почти всем, потому что он закрывает базовую связку маркетинга и веб-аналитики.
— Amplitude и Mixpanel нужны там, где вы строите продуктовые сценарии, когорты, удержание и поведение по шагам.
— Heap силён, когда вы хотите меньше зависеть от ручной разметки и быстрее ловить неожиданные паттерны.
— Но ни один из них не заменяет нормальную постановку вопросов. Плохая модель данных убивает даже лучший стек.
В 2026 году это особенно заметно: last-click слабеет, RevOps требует общей картины, а AI-overviews и zero-click делают ценнее не отчёты «сколько было», а ответы «что влияет на выручку». Поэтому я всегда начинаю не с выбора платформы, а с выбора уровня задачи. Если нужен обзор — GA4. Если нужен разбор поведения — продуктовая аналитика. Если нужен рост выручки — уже нужен стек, а не один инструмент.
За последние два года я всё чаще вижу один и тот же спор: «почему GA4 неудобен и зачем вообще он нужен, если есть Amplitude, Mixpanel или Heap». Мой ответ простой: у этих инструментов разная работа.
GA4 я считаю не продуктовой аналитикой, а **универсальным слоем наблюдения за маркетингом**. Он полезен там, где нужно связать каналы, кампании, события на сайте и базовую выручку. Но как только задача становится глубже — понять, почему пользователь возвращается, где ломается активация, как меняется поведение когорт, — GA4 быстро упирается в потолок.
Я это хорошо вижу на проектах, где есть и рекламный трафик, и продуктовая воронка. В одном B2B-кейсе после переноса событий из GA4 в Amplitude мы нашли, что форма заявки была не главной проблемой. Оказалось, что 38% пользователей доходили до демо, но не завершали его из-за провала между первым и вторым шагом онбординга. В GA4 это выглядело как обычная просадка конверсии. В Amplitude — как конкретный разрыв сценария.
Моя позиция такая:
— GA4 нужен почти всем, потому что он закрывает базовую связку маркетинга и веб-аналитики.
— Amplitude и Mixpanel нужны там, где вы строите продуктовые сценарии, когорты, удержание и поведение по шагам.
— Heap силён, когда вы хотите меньше зависеть от ручной разметки и быстрее ловить неожиданные паттерны.
— Но ни один из них не заменяет нормальную постановку вопросов. Плохая модель данных убивает даже лучший стек.
В 2026 году это особенно заметно: last-click слабеет, RevOps требует общей картины, а AI-overviews и zero-click делают ценнее не отчёты «сколько было», а ответы «что влияет на выручку». Поэтому я всегда начинаю не с выбора платформы, а с выбора уровня задачи. Если нужен обзор — GA4. Если нужен разбор поведения — продуктовая аналитика. Если нужен рост выручки — уже нужен стек, а не один инструмент.
GA4 не умер. Умерла иллюзия, что одной аналитики хватит
Я часто вижу одну и ту же ошибку: команды выбирают систему аналитики как будто это покупка «единственного правильного» инструмента. На практике GA4, Amplitude, Mixpanel и Heap закрывают разные управленческие задачи — и спор «что лучше» обычно маскирует вопрос «что мы вообще измеряем».
Моя позиция простая: в 2026 году стек аналитики должен собираться не вокруг отчётов, а вокруг решения. Если у вас B2B с длинным циклом сделки и общими метриками маркетинга, продаж и customer success, то вам нужен не просто продуктовый анализ, а связка с RevOps-логикой. Если вы строите продукт и хотите быстро отвечать на вопросы про поведение, когорты и удержание, то Amplitude или Mixpanel дадут больше скорости, чем попытка выжать всё из GA4. Heap силён там, где команде важна полнота событий и меньше ручной настройки на старте.
GA4 я считаю базой, но не центром вселенной. Он хорош для связки с вебом, рекламой и верхнеуровневой картиной спроса. Но как только бизнес начинает жить retention-метриками, сегментами и сценариями поведения, вы упираетесь в ограничения интерфейса и логики данных.
Из практики: в одном B2B-проекте после переноса ключевых продуктовых вопросов из GA4 в отдельный поведенческий инструмент время на подготовку регулярного отчёта сократилось примерно на 40%. Не потому, что «красивее графики», а потому что команда перестала вручную собирать ответы из трёх источников.
Мой вывод: **не ищите лучшую платформу. Собирайте стек под управленческое решение**.
- GA4 — для маркетингового и веб-контекста
- Amplitude / Mixpanel — для продуктовой аналитики и поведения
- Heap — когда важна скорость старта и полнота трекинга
А если у вас в компании до сих пор один вопрос звучит так: «какой инструмент поставить?», значит, сначала нужно договориться не про софт, а про вопросы бизнеса.
—
Продолжение про marketing — @MarTechStackRuPro
Я часто вижу одну и ту же ошибку: команды выбирают систему аналитики как будто это покупка «единственного правильного» инструмента. На практике GA4, Amplitude, Mixpanel и Heap закрывают разные управленческие задачи — и спор «что лучше» обычно маскирует вопрос «что мы вообще измеряем».
Моя позиция простая: в 2026 году стек аналитики должен собираться не вокруг отчётов, а вокруг решения. Если у вас B2B с длинным циклом сделки и общими метриками маркетинга, продаж и customer success, то вам нужен не просто продуктовый анализ, а связка с RevOps-логикой. Если вы строите продукт и хотите быстро отвечать на вопросы про поведение, когорты и удержание, то Amplitude или Mixpanel дадут больше скорости, чем попытка выжать всё из GA4. Heap силён там, где команде важна полнота событий и меньше ручной настройки на старте.
GA4 я считаю базой, но не центром вселенной. Он хорош для связки с вебом, рекламой и верхнеуровневой картиной спроса. Но как только бизнес начинает жить retention-метриками, сегментами и сценариями поведения, вы упираетесь в ограничения интерфейса и логики данных.
Из практики: в одном B2B-проекте после переноса ключевых продуктовых вопросов из GA4 в отдельный поведенческий инструмент время на подготовку регулярного отчёта сократилось примерно на 40%. Не потому, что «красивее графики», а потому что команда перестала вручную собирать ответы из трёх источников.
Мой вывод: **не ищите лучшую платформу. Собирайте стек под управленческое решение**.
- GA4 — для маркетингового и веб-контекста
- Amplitude / Mixpanel — для продуктовой аналитики и поведения
- Heap — когда важна скорость старта и полнота трекинга
А если у вас в компании до сих пор один вопрос звучит так: «какой инструмент поставить?», значит, сначала нужно договориться не про софт, а про вопросы бизнеса.
—
Продолжение про marketing — @MarTechStackRuPro
Смерть атрибуции по последнему клику и почему RevOps диктует выбор стека
В эпоху, когда классическая модель сбора лидов (MQL - квалифицированные маркетингом лиды) отходит на второй план, уступая место RevOps (системе управления выручкой), требования к инструментам аналитики фундаментально изменились. Больше нельзя просто «отслеживать путь» пользователя до нажатия кнопки «Купить». Сегодня мы строим системы, которые должны объяснять, как маркетинговый контент, созданный AI (искусственным интеллектом), превращается в долгосрочный LTV (пожизненную ценность клиента).
Выбор основного инструмента — GA4, Amplitude, Mixpanel или Heap — перестал быть вопросом «удобства дашбордов». Это вопрос архитектуры данных вашей компании в 2026 году.
— GA4 остается базовым стандартом для оценки общего трафика и работы с AI-обзорами поисковых систем. Однако, полагаться на него как на единственный источник правды в B2B или сложном E-com — стратегическая ошибка. Он по-прежнему «заточен» под охват, а не под глубину взаимодействия.
— Amplitude и Mixpanel выигрывают там, где продукт требует детального анализа поведения внутри интерфейса. В эпоху «нулевого клика», когда пользователь получает ответ на свой вопрос прямо в поисковой выдаче и не переходит на сайт, именно события (events) внутри вашего приложения становятся единственным способом понять, что клиент «созрел».
— Heap привлекает автоматическим захватом данных. Это спасение для команд, где нет ресурсов на настройку каждого чиха в Google Tag Manager, но критически важно видеть весь путь клиента целиком, не теряя контекст из-за ошибок в разметке.
Мое наблюдение из практики последних месяцев: компании, которые пытаются усидеть на двух стульях — сохраняя legacy-подход (традиционный подход) с last-click (атрибуцией по последнему клику) и одновременно внедряя RevOps — теряют до 30% эффективности рекламных бюджетов. Они просто не видят реального вклада верхнеуровневого контента, который формирует ту самую Topical Authority (тематический авторитет), необходимую для ранжирования в новой системе поиска.
*Главный вывод прост: если ваш стек аналитики не позволяет связать активность клиента с его ценностью для выручки через 6-12 месяцев, вы меряете не бизнес, вы меряете суету.*
Сейчас время переходить на server-side (серверную) передачу данных и внедрять MMM (моделирование маркетингового микса). Аналитика сегодня — это не про «откуда пришел», а про то, как каждый контакт с брендом меняет вероятность сделки. Выбирайте инструмент, который умеет объединять данные из CRM, продуктовой аналитики и рекламных площадок в единую модель данных, иначе вы продолжите оптимизировать кампании, которые не приносят денег.
В эпоху, когда классическая модель сбора лидов (MQL - квалифицированные маркетингом лиды) отходит на второй план, уступая место RevOps (системе управления выручкой), требования к инструментам аналитики фундаментально изменились. Больше нельзя просто «отслеживать путь» пользователя до нажатия кнопки «Купить». Сегодня мы строим системы, которые должны объяснять, как маркетинговый контент, созданный AI (искусственным интеллектом), превращается в долгосрочный LTV (пожизненную ценность клиента).
Выбор основного инструмента — GA4, Amplitude, Mixpanel или Heap — перестал быть вопросом «удобства дашбордов». Это вопрос архитектуры данных вашей компании в 2026 году.
— GA4 остается базовым стандартом для оценки общего трафика и работы с AI-обзорами поисковых систем. Однако, полагаться на него как на единственный источник правды в B2B или сложном E-com — стратегическая ошибка. Он по-прежнему «заточен» под охват, а не под глубину взаимодействия.
— Amplitude и Mixpanel выигрывают там, где продукт требует детального анализа поведения внутри интерфейса. В эпоху «нулевого клика», когда пользователь получает ответ на свой вопрос прямо в поисковой выдаче и не переходит на сайт, именно события (events) внутри вашего приложения становятся единственным способом понять, что клиент «созрел».
— Heap привлекает автоматическим захватом данных. Это спасение для команд, где нет ресурсов на настройку каждого чиха в Google Tag Manager, но критически важно видеть весь путь клиента целиком, не теряя контекст из-за ошибок в разметке.
Мое наблюдение из практики последних месяцев: компании, которые пытаются усидеть на двух стульях — сохраняя legacy-подход (традиционный подход) с last-click (атрибуцией по последнему клику) и одновременно внедряя RevOps — теряют до 30% эффективности рекламных бюджетов. Они просто не видят реального вклада верхнеуровневого контента, который формирует ту самую Topical Authority (тематический авторитет), необходимую для ранжирования в новой системе поиска.
*Главный вывод прост: если ваш стек аналитики не позволяет связать активность клиента с его ценностью для выручки через 6-12 месяцев, вы меряете не бизнес, вы меряете суету.*
Сейчас время переходить на server-side (серверную) передачу данных и внедрять MMM (моделирование маркетингового микса). Аналитика сегодня — это не про «откуда пришел», а про то, как каждый контакт с брендом меняет вероятность сделки. Выбирайте инструмент, который умеет объединять данные из CRM, продуктовой аналитики и рекламных площадок в единую модель данных, иначе вы продолжите оптимизировать кампании, которые не приносят денег.
Эра «смерти» атрибуции: почему инструментарий важнее метрик
Мы окончательно перешли в эпоху, где классическая модель атрибуции по последнему клику (last-click) стала музейным экспонатом. В 2026 году бизнес перестал верить в то, что один рекламный баннер «закрывает» сделку. В условиях RevOps (объединенной системы управления выручкой) мы видим, как фокус смещается с отслеживания пути пользователя на управление прибыльностью всей воронки.
Многие до сих пор выбирают стек аналитики, исходя из привычного удобства GA4, но в текущем ландшафте этого недостаточно. Когда информационный поиск в поисковиках уступает место ответам нейросетей, привычные каналы привлечения размываются.
Сравним подходы:
— GA4 остается стандартом для веба, но из-за жестких требований к приватности (privacy-first) данные становятся неполными. Это база для медийных кампаний, но не для принятия стратегических решений по продукту.
— Amplitude и Mixpanel — выбор тех, кто строит LTV (пожизненную ценность клиента) через глубокое изучение поведения внутри приложения. В условиях снижения среднего чека в электронной коммерции, способность этих систем подсветить «узкие места» в удержании пользователей становится критической.
— Heap выигрывает за счет автоматического сбора данных. В эпоху, когда скорость проверки гипотез определяет выживаемость продукта, возможность не настраивать каждое событие вручную экономит недели работы аналитиков.
Мое наблюдение из практики: компании, которые перешли от измерения «эффективности клика» к моделированию маркетингового микса (MMM) и инкрементальности (оценке прироста продаж благодаря рекламе), показывают на 12–15% более высокую маржинальность. Они перестали сжигать бюджеты на «горячие» ключи, которые и так конвертируются, и начали вкладываться в формирование узнаваемости бренда через контент, создающий авторитет в теме.
Выбор между этими инструментами больше не вопрос того, «кто лучше считает конверсии». Это вопрос того, как вы собираетесь управлять выручкой. Если ваш основной фокус — удержание и рост LTV, ваш стек обязан уметь работать с когортным анализом и событиями внутри продукта. Если же вы все еще пытаетесь «догнать» пользователя ретаргетингом на основе одного клика, вы проигрываете конкуренцию за внимание в Zero-click (эпохе без переходов).
Инструмент — это лишь зеркало вашей стратегии. Если стратегия строится на устаревших метриках, даже самый дорогой стек аналитики будет лишь красиво визуализировать ваше падение.
Мы окончательно перешли в эпоху, где классическая модель атрибуции по последнему клику (last-click) стала музейным экспонатом. В 2026 году бизнес перестал верить в то, что один рекламный баннер «закрывает» сделку. В условиях RevOps (объединенной системы управления выручкой) мы видим, как фокус смещается с отслеживания пути пользователя на управление прибыльностью всей воронки.
Многие до сих пор выбирают стек аналитики, исходя из привычного удобства GA4, но в текущем ландшафте этого недостаточно. Когда информационный поиск в поисковиках уступает место ответам нейросетей, привычные каналы привлечения размываются.
Сравним подходы:
— GA4 остается стандартом для веба, но из-за жестких требований к приватности (privacy-first) данные становятся неполными. Это база для медийных кампаний, но не для принятия стратегических решений по продукту.
— Amplitude и Mixpanel — выбор тех, кто строит LTV (пожизненную ценность клиента) через глубокое изучение поведения внутри приложения. В условиях снижения среднего чека в электронной коммерции, способность этих систем подсветить «узкие места» в удержании пользователей становится критической.
— Heap выигрывает за счет автоматического сбора данных. В эпоху, когда скорость проверки гипотез определяет выживаемость продукта, возможность не настраивать каждое событие вручную экономит недели работы аналитиков.
Мое наблюдение из практики: компании, которые перешли от измерения «эффективности клика» к моделированию маркетингового микса (MMM) и инкрементальности (оценке прироста продаж благодаря рекламе), показывают на 12–15% более высокую маржинальность. Они перестали сжигать бюджеты на «горячие» ключи, которые и так конвертируются, и начали вкладываться в формирование узнаваемости бренда через контент, создающий авторитет в теме.
Выбор между этими инструментами больше не вопрос того, «кто лучше считает конверсии». Это вопрос того, как вы собираетесь управлять выручкой. Если ваш основной фокус — удержание и рост LTV, ваш стек обязан уметь работать с когортным анализом и событиями внутри продукта. Если же вы все еще пытаетесь «догнать» пользователя ретаргетингом на основе одного клика, вы проигрываете конкуренцию за внимание в Zero-click (эпохе без переходов).
Инструмент — это лишь зеркало вашей стратегии. Если стратегия строится на устаревших метриках, даже самый дорогой стек аналитики будет лишь красиво визуализировать ваше падение.
North Star Metric: как выбрать главную метрику продукта
North Star Metric, или «северная звезда», — это одна ключевая метрика, которая лучше других показывает, создаёт ли продукт ценность для пользователя и для бизнеса одновременно. Она не заменяет все остальные показатели, а задаёт фокус: команда понимает, ради какого результата работает.
Важно отличать её от KPI (ключевых показателей эффективности). KPI измеряют выполнение задач конкретной функции: маркетинг — стоимость лида, продажи — конверсию, продукт — активацию. North Star Metric шире: она должна быть связана с ценностью и с долгосрочным ростом, а не только с отчётностью по отделам. В 2026 году это особенно важно в B2B, где классическая воронка MQL/SQL всё чаще уступает месту RevOps и общей ответственности за выручку.
Типичные ошибки:
— выбирать метрику-результат, на которую команда не влияет напрямую;
— путать её с vanity metric, красивым, но пустым числом;
— делать North Star слишком абстрактной: «рост бренда» без операционного измерения;
— менять её каждый квартал, ломая фокус.
Пример: для B2B-SaaS North Star Metric может быть не «количество регистраций», а «число активных команд, которые еженедельно используют ключевую функцию». Это ближе к реальной ценности, чем верхнеуровневый трафик или лиды.
North Star Metric, или «северная звезда», — это одна ключевая метрика, которая лучше других показывает, создаёт ли продукт ценность для пользователя и для бизнеса одновременно. Она не заменяет все остальные показатели, а задаёт фокус: команда понимает, ради какого результата работает.
Важно отличать её от KPI (ключевых показателей эффективности). KPI измеряют выполнение задач конкретной функции: маркетинг — стоимость лида, продажи — конверсию, продукт — активацию. North Star Metric шире: она должна быть связана с ценностью и с долгосрочным ростом, а не только с отчётностью по отделам. В 2026 году это особенно важно в B2B, где классическая воронка MQL/SQL всё чаще уступает месту RevOps и общей ответственности за выручку.
Типичные ошибки:
— выбирать метрику-результат, на которую команда не влияет напрямую;
— путать её с vanity metric, красивым, но пустым числом;
— делать North Star слишком абстрактной: «рост бренда» без операционного измерения;
— менять её каждый квартал, ломая фокус.
Пример: для B2B-SaaS North Star Metric может быть не «количество регистраций», а «число активных команд, которые еженедельно используют ключевую функцию». Это ближе к реальной ценности, чем верхнеуровневый трафик или лиды.
Как Nike собрал единый аналитический стек для DTC-роста: от GA4 до Amplitude
В 2026 году бренды уже не могут жить на одном last-click: трафик дорожает, AI-overviews забирают часть кликов, а в e-com важнее удержание и LTV, чем первая покупка. На этом фоне показателен кейс Nike с развитием direct-to-consumer (DTC) — продаж напрямую через сайт и приложение.
Контекст был такой: у Nike росли каналы, продуктовые команды выпускали новые сценарии в приложении, а маркетинг хотел понимать не только «откуда пришёл визит», но и **что человек сделал после первого касания**. Классическая веб-аналитика закрывала верх воронки, но плохо отвечала на вопросы про повторные покупки, вовлечение и вклад контента в выручку.
Задача звучала просто, но на практике была сложной:
— собрать единую картину поведения между сайтом и приложением;
— связать маркетинг, продукт и продажи через общие события;
— уйти от отчётов вида «визиты/сеансы» к метрикам активации, удержания и LTV;
— сделать так, чтобы команда могла быстро проверять гипотезы без тяжёлой аналитической разработки.
Решение строили в несколько слоёв. Для базовой цифровой аналитики оставили GA4 — как источник по трафику, кампаниям и общему пути пользователя. Но для поведенческой глубины подключили Amplitude: там стали собирать события уровня «просмотрел коллекцию», «добавил в избранное», «вернулся за 7 дней», «дошёл до покупки». Именно в Amplitude удобно строить когорты, воронки и удержание по сегментам, а не по усреднённому трафику.
Дополнительно Nike опирался на server-side (серверную) отправку части событий, чтобы меньше зависеть от ограничений браузеров и потерь данных. Это особенно важно в эпоху privacy-first, когда атрибуция всё чаще строится не на одном источнике, а на связке нескольких.
Что дало это на выходе:
— маркетинг увидел, какие кампании приводят не просто клики, а пользователей с более высоким повторным визитом;
— продукт получил быстрые ответы по точкам оттока в приложении;
— команда смогла сравнивать сегменты по LTV, а не только по CPA;
— обсуждение из формата «какой канал дешевле» перешло в «какой канал приводит более ценных клиентов».
**Главный урок:** в 2026 году сильный analytics stack — это не один «лучший» инструмент, а связка. GA4 отвечает за охват и каналы, Amplitude — за поведение и удержание, а серверная передача данных снижает потери в измерениях. Если бренд строит DTC-модель, выигрывает тот, кто измеряет не визит, а путь к выручке.
В 2026 году бренды уже не могут жить на одном last-click: трафик дорожает, AI-overviews забирают часть кликов, а в e-com важнее удержание и LTV, чем первая покупка. На этом фоне показателен кейс Nike с развитием direct-to-consumer (DTC) — продаж напрямую через сайт и приложение.
Контекст был такой: у Nike росли каналы, продуктовые команды выпускали новые сценарии в приложении, а маркетинг хотел понимать не только «откуда пришёл визит», но и **что человек сделал после первого касания**. Классическая веб-аналитика закрывала верх воронки, но плохо отвечала на вопросы про повторные покупки, вовлечение и вклад контента в выручку.
Задача звучала просто, но на практике была сложной:
— собрать единую картину поведения между сайтом и приложением;
— связать маркетинг, продукт и продажи через общие события;
— уйти от отчётов вида «визиты/сеансы» к метрикам активации, удержания и LTV;
— сделать так, чтобы команда могла быстро проверять гипотезы без тяжёлой аналитической разработки.
Решение строили в несколько слоёв. Для базовой цифровой аналитики оставили GA4 — как источник по трафику, кампаниям и общему пути пользователя. Но для поведенческой глубины подключили Amplitude: там стали собирать события уровня «просмотрел коллекцию», «добавил в избранное», «вернулся за 7 дней», «дошёл до покупки». Именно в Amplitude удобно строить когорты, воронки и удержание по сегментам, а не по усреднённому трафику.
Дополнительно Nike опирался на server-side (серверную) отправку части событий, чтобы меньше зависеть от ограничений браузеров и потерь данных. Это особенно важно в эпоху privacy-first, когда атрибуция всё чаще строится не на одном источнике, а на связке нескольких.
Что дало это на выходе:
— маркетинг увидел, какие кампании приводят не просто клики, а пользователей с более высоким повторным визитом;
— продукт получил быстрые ответы по точкам оттока в приложении;
— команда смогла сравнивать сегменты по LTV, а не только по CPA;
— обсуждение из формата «какой канал дешевле» перешло в «какой канал приводит более ценных клиентов».
**Главный урок:** в 2026 году сильный analytics stack — это не один «лучший» инструмент, а связка. GA4 отвечает за охват и каналы, Amplitude — за поведение и удержание, а серверная передача данных снижает потери в измерениях. Если бренд строит DTC-модель, выигрывает тот, кто измеряет не визит, а путь к выручке.
Amplitude, GA4 или Mixpanel: миф про «единую правду»
Миф: если выбрать один продукт (например, Amplitude вместо GA4 или наоборот), можно получить «единую правду» по поведению пользователей и перестать спорить с цифрами.
Откуда он берётся: привычка сравнивать интерфейсы. Люди видят похожие графики (воронки, удержание, когорты) и делают вывод, что источник данных один, логика одинаковая, а расхождения — это лишь “калибровка”. На практике же разные аналитические платформы по-разному определяют ключевые вещи: сессию, пользователя, событие, атрибуцию, частоту отправки, дедупликацию. Плюс накладываются режимы приватности: server-side-отправка, consent-статусы, кросс-доменные сценарии, возвраты в пределах окна. В 2026 году добавляется ещё и давление AI-overviews: растёт доля запросов и показов, где пользователь не “щёлкает” по сайту (zero-click), и маркетинг уже не может честно «дописать» визит, которого не было.
Почему это неправда: “единую правду” ломают не разные панели, а разная семантика и разные допущения. GA4 чаще воспринимают как отчётность по веб-событиям, где много работы вокруг privacy-first контура. Mixpanel и Heap нередко сильнее в аналитике поведения и продуктовых метриках — но тоже со своими правилами идентификации. Amplitude встраивается в событийную модель, где точность зависит от качества схемы событий и стабильности идентификаторов. Даже при одинаковой семантике расхождения появляются из-за латентности, пакетной доставки, дедупликации и того, как платформы трактуют “первое действие” и цепочки.
Что вместо этого: не искать “один источник истины”, а договориться о *едином словаре метрик* и *контракте данных*. Например: единые определения пользователя/сессии (ID-стратегия), событий (naming, обязательные параметры), окна атрибуции и правил дедупликации. Затем — “контрольный слой”: один эталонный пайплайн (обычно server-side + согласованные преобразования), и в каждой платформе — сравнение по заранее выбранным контрольным когортам и инкрементальным проверкам (incrementality, где возможно). Тогда Amplitude/GA4/Mixpanel становятся разными “линзами”, а не конкурентами за право считаться истиной.
Миф: если выбрать один продукт (например, Amplitude вместо GA4 или наоборот), можно получить «единую правду» по поведению пользователей и перестать спорить с цифрами.
Откуда он берётся: привычка сравнивать интерфейсы. Люди видят похожие графики (воронки, удержание, когорты) и делают вывод, что источник данных один, логика одинаковая, а расхождения — это лишь “калибровка”. На практике же разные аналитические платформы по-разному определяют ключевые вещи: сессию, пользователя, событие, атрибуцию, частоту отправки, дедупликацию. Плюс накладываются режимы приватности: server-side-отправка, consent-статусы, кросс-доменные сценарии, возвраты в пределах окна. В 2026 году добавляется ещё и давление AI-overviews: растёт доля запросов и показов, где пользователь не “щёлкает” по сайту (zero-click), и маркетинг уже не может честно «дописать» визит, которого не было.
Почему это неправда: “единую правду” ломают не разные панели, а разная семантика и разные допущения. GA4 чаще воспринимают как отчётность по веб-событиям, где много работы вокруг privacy-first контура. Mixpanel и Heap нередко сильнее в аналитике поведения и продуктовых метриках — но тоже со своими правилами идентификации. Amplitude встраивается в событийную модель, где точность зависит от качества схемы событий и стабильности идентификаторов. Даже при одинаковой семантике расхождения появляются из-за латентности, пакетной доставки, дедупликации и того, как платформы трактуют “первое действие” и цепочки.
Что вместо этого: не искать “один источник истины”, а договориться о *едином словаре метрик* и *контракте данных*. Например: единые определения пользователя/сессии (ID-стратегия), событий (naming, обязательные параметры), окна атрибуции и правил дедупликации. Затем — “контрольный слой”: один эталонный пайплайн (обычно server-side + согласованные преобразования), и в каждой платформе — сравнение по заранее выбранным контрольным когортам и инкрементальным проверкам (incrementality, где возможно). Тогда Amplitude/GA4/Mixpanel становятся разными “линзами”, а не конкурентами за право считаться истиной.