GA4 не умер. Но в 2026 я всё чаще ставлю его не в центр, а на периферию стека

Я вижу одну и ту же ошибку у B2B и e-com команд: они покупают GA4 как «главную правду о пользователе», а потом удивляются, почему отчёты не сходятся с CRM, серверными событиями и данными retention-аналитики. Проблема не в GA4 как таковом. Проблема в том, что он заточен под массовую веб-аналитику и дешёвый охват, а не под управление выручкой.

В моей практике за последний год почти в каждом зрелом проекте схема была одинаковой:
— GA4 оставляли как слой для базовой медиамапы, отчётности по трафику и дешёвых срезов;
— Amplitude или Mixpanel брали на продуктовые сценарии, когорты, удержание и поведение по событиям;
— Heap подключали там, где нужна быстрая сборка событий без долгого ТЗ;
— а финальную бизнес-логику всё равно сводили в RevOps-контур: CRM, BI, серверные события, маржа, LTV.

**Мой вывод простой: GA4 хорош там, где нужен масштаб, но не хватает глубины.** Он полезен для верхнего слоя воронки, но ломается, когда маркетинг начинает отвечать не за клики, а за выручку. В эпоху privacy-first атрибуции last-click уже не может быть единственным «судьёй», а GA4 сам по себе это не компенсирует.

Один показательный пример: у клиента с B2B-воронкой расхождение между GA4 и CRM по квалифицированным лидам было около 28%. Не из-за «плохой настройки», а из-за реальности: часть касаний шла через сервер, часть — через офлайн-события, часть — через длинный цикл сделки. После сборки связки GA4 + Amplitude + BI команда перестала спорить о цифрах и начала спорить о решениях. И это, на мой взгляд, правильный этап зрелости.

Если упростить: GA4 — не ядро аналитики, а её входная дверь. Я бы не строил на нём стратегию. Я бы строил на нём только первый уровень наблюдения, а стратегию — на событии, выручке и удержании.

— @AnalyticsStackRu

Коллтрекинг в analytics stack: как сравнить 3 платформы и не утонуть в «зачем это нужно»

Коллтрекинг нужен тем, кто считает продажи не только по формам и кликам: в B2B и в RevOps часто именно звонок договаривает сделку, но теряется в разрыве между маркетингом, лид-менеджерами и CRM. В 2026-м, когда privacy-first атрибуция давит last-click, важнее связать источники обращений с фактическими исходами и качеством — чтобы не спорить «почему нам не видно» без данных.

Ringostat — для агентств и B2B-команд, кому важно быстро подключить отслеживание звонков и связать их с маркетинговыми источниками — сильная сторона: расширенная настройка коллтрекинга под воронку (от маршрутизации/подмены номера до сквозной связки) и фокус на практической доказательности для клиента — слабая сторона/минус: гибкость часто упирается в проектную настройку; без дисциплины в CRM и правилах разметки источников результаты будут «красивыми, но спорными».

Calltouch — для маркетинга и RevOps, когда нужно просчитывать ценность каналов по звонкам и управлять качеством обработки — сильная сторона: ориентация на прикладные метрики (какой канал приносит обращения нужного качества, где теряются лиды) и понятная логика внедрения для команд, которые уже работают с заявками и CRM — слабая сторона/минус: как и у многих решений коллтрекинга, часть эффективности зависит от того, насколько строго вы фиксируете причины потерь в продажах; иначе измерите только «факт звонка», а не «факт прогресса».

UIS (отраслевой коллтрекинг/контакт-аналитика в связке с маркетингом) — для компаний, которым важны звонки как отдельный источник данных для BI-отчетности и дальнейшей аналитики — сильная сторона: удобство построения отчетности по коммуникациям и применимость для связки с внутренними данными (при правильной интеграции) — слабая сторона/минус: часто требует зрелой схемы интеграций и внутренней аналитики (согласованные справочники, единые статусы, нормальная передача параметров), иначе кастомизация превращается в долгую настройку.

как выбирать — сравните не «набор функций», а 3 вещи: насколько просто вы докажете клиенту ценность (какие метрики покажете), насколько глубоко связка с CRM и статусами продаж (а не только длительность/время), и насколько решение выдержит privacy-first атрибуцию (есть ли серверная/инкрементальная логика или хотя бы строгая методология сравнения каналов).

— @AnalyticsStackRu

ЕЮ Иванов продолжает кошмарить АффПапу, конторку, которая накинула говна на вентилятор этим летом. Тогда в AffPapa не знали, с каким говном идут бодаться, поэтому заслуженно проиграли. 😏

На этот раз ЕЮ зарегал товарный знак AffPapa — совсем скоро имя компании будет официально принадлежать ему. Чтобы убедиться в трушности мува, переходим по ссыл-Очке и вводим серийный номер: 2026793242. Там видим, что заявка на регистрацию подана лично Евгением Юрьичем.

Всё это выглядит забавно, но давайте не забывать, в какой сфере мы работаем и что реально может произойти с жирным троллем за воровство нейминга. Впрочем, толстому не привыкать отхватывать пиздов за проделки в интернете, поэтому ждем очередную фотку разбитого ебала и длинный пост с извинениями. 😏😏😏

В арбитраже денег нет 💵

GA4 больше не «по умолчанию»

Когда-то GA4 ставили просто потому, что «так надо». В 2026 это уже слабая логика: для брендинга и B2B всё чаще важнее не счетчик, а связка аналитики с CRM, product data и revenue-метриками. GA4 остается хорошей входной точкой, но как единственный источник правды он заметно проигрывает Amplitude и Mixpanel, если нужен путь человека, а не просто трафик. Heap в этой картине — про удобство, но не про глубину решения.

— @AnalyticsStackRu

Как Nike перестроил аналитику под retention: от «последнего клика» к ценности по всей воронке

В 2026-м у брендов одна и та же боль: трафик дорожает, first-party-данные сужаются, а классическая отчётность по last-click всё хуже объясняет выручку. Nike столкнулся с этим раньше многих: у компании росла доля прямых продаж через приложение и сайт, но маркетинг видел только верхушку воронки — клики, установки, покупки. А вот что происходило между первой сессией и повторной покупкой, в отчётах почти не читалось.

Задача была не просто «показать цифры», а связать медиа, продукт и retention-метрики (удержание) в одну картину. Для этого Nike ушёл от разрозненной аналитики в сторону единого слоя событий: веб, приложение, CRM, e-mail, push и офлайн-поведение стали собираться в одну модель. На практике это обычно решается связкой GA4 + CDP + продуктовая аналитика вроде Amplitude или Mixpanel: GA4 даёт базовую картину по источникам, а продуктовый слой — путь до повторного действия, сегменты и когортный анализ.

Ключевое решение — измерять не только покупку, но и поведенческие маркеры, которые ведут к LTV (пожизненной ценности клиента): просмотр коллекций, добавление в избранное, возврат в приложение, реактивацию через push, повторный заказ. Это особенно важно в эпоху, когда средний чек в e-com проседает на 5–8%, а ставка уходит в удержание, а не в первую транзакцию.

Что дало перестроение:
— маркетинг стал видеть не «канал дал 1 000 заказов», а какие касания приводят к повторной покупке через 30/60/90 дней;
— команда смогла сравнивать когортами: какие аудитории из paid social, search и CRM дают лучший LTV;
— продукт начал влиять на выручку не косвенно, а через конкретные триггеры возврата;
— отчётность стала ближе к RevOps-подходу: маркетинг, продажи и клиентский сервис отвечают не за лиды, а за общий денежный результат.

**Главный урок:** в 2026-м побеждает не тот, кто собирает больше событий, а тот, кто связывает их в понятную бизнес-логику. GA4 полезен как базовый слой, но без Amplitude или Mixpanel бренд видит только вход в систему, а не экономику повторных действий. Для сильного маркетинга это уже не «аналитика ради аналитики», а способ доказать, где рождается выручка.

— @AnalyticsStackRu

Атрибуция в эпоху без файлов cookie: опыт Lamoda в настройке маркетинговой эффективности

Контекст. В 2026 году классическая модель атрибуции по последнему клику (last-click) окончательно утратила доверие аналитиков. С учетом жестких ограничений приватности в браузерах и массового перехода на серверную передачу данных, маркетологи столкнулись с «разрывом» в пути клиента. Lamoda, будучи крупным игроком в электронной коммерции, столкнулась с проблемой: как оценить реальный вклад каналов в продажу, если средний чек снизился, а покупатель стал совершать до 7–10 касаний перед покупкой.

Задача. Перестроить систему оценки эффективности маркетинга, чтобы уйти от ложных выводов о «неэффективности» охватных кампаний, которые на самом деле формируют спрос, но не получают атрибуцию в простых отчетах.

Решение. Переход на модель смешанного маркетингового моделирования (MMM) в связке с анализом инкрементальности (дополнительной ценности).
— Внедрение сквозной аналитики на базе Amplitude для трекинга поведения пользователей после входа в личный кабинет.
— Использование собственных алгоритмов для оценки влияния охватных каналов на долгосрочное удержание (retention) и пожизненную ценность клиента (LTV).
— Отказ от ориентации только на стоимость привлечения (CAC) в пользу метрики эффективности выручки (ROMI), где учитываются данные из CRM, а не только клики.

Результат. В ходе внедрения новой архитектуры данных команда увидела, что около 25% бюджетов, которые ранее считались «убыточными» в GA4 из-за потери данных о переходах, на самом деле обеспечивали рост повторных покупок. Перераспределение бюджета позволило снизить стоимость удержания текущих клиентов на 12% при сохранении общего объема продаж. Использование server-side (серверной стороны) передачи данных позволило восстановить видимость около 30% событий, которые ранее блокировались браузерами.

Урок для рынка.
1. Доверие к «коробочным» отчетам систем веб-аналитики — это риск для бюджета. В 2026 году маркетинг обязан опираться на собственные данные (first-party data) и моделирование, а не на прямую фиксацию кликов.
2. В условиях, когда поиск (SEO) превращается в ответы искусственного интеллекта без переходов на сайт, роль бренда становится критической. Анализируйте не только конверсию с клика, а совокупное влияние всех каналов на узнаваемость.
3. RevOps — это не просто объединение отделов продаж и маркетинга, это единая математика успеха. Если ваш аналитический стек (набор инструментов) не умеет считать вклад в выручку через несколько месяцев после первого контакта, вы работаете вслепую.

Для работы с такими объемами данных Amplitude и Mixpanel показывают себя как более гибкие инструменты, чем стандартные решения, так как позволяют строить сложные воронки удержания, учитывая периоды между покупками, что критически важно в эпоху снижения среднего чека.

— @AnalyticsStackRu

HEAP vs Amplitude vs GA4: почему я больше не спорю “что лучше”, а спорю “какой вопрос вы хотите решать”

Я в работе всё чаще замечаю одинаковый сценарий: команда покупает аналитику, а потом сталкивается с тем, что продукт “не отвечает” на привычные вопросы. И начинается вечный спор HEAP vs Amplitude vs GA4 — хотя по факту вопрос не в инструменте, а в том, какая у вас модель данных и какие решения вы принимаете на её основе.

Моё наблюдение из проектов: большинство конфликтов происходит на одном и том же месте — когда хотят одновременно
— быстро мерить поведение (микро-события, воронки, когорты),
— и объяснять бизнес-результат (что именно повлияло на выручку, retention, LTV),
— и делать это в условиях privacy-first, где last-click атрибуция всё хуже работает.

GA4 обычно выбирают за универсальность и “базовую гигиену” — событийная модель и экосистема вокруг. Но если вы в B2B или e-com хотите глубокую продуктовую аналитику на уровне “сценарии пользователей + сегменты + долгие цепочки”, GA4 часто упирается в дисциплину: кто и как заводит события, как стабилизирует словарь событий, как поддерживает качество данных. В итоге команда получает красивый дашборд и плохое доверие к нему.

Amplitude — это про устойчивые продуктовые аналитики и сильную работу с тем, что в голове маркетолога: фичи, когорты, сегменты, сравнение групп во времени. Но за это платят либо организацией процесса (каталог метрик, governance), либо постоянной “ручной калибровкой” под каждый новый кейс. И если вы не выстроили, как аналитика становится частью RevOps-процесса (маркетинг + продажи + customer success за выручку), вы останетесь на уровне “классно объясняем поведение”, но не “управляем выручкой”.

HEAP в моих проектах чаще всего выигрывает в другом: скорость запуска и минимизация трения при сборе событий. Когда нужно доказать гипотезу быстро и не тратить недели на разработку “правильных” событий, HEAP дает преимущество. Но я всегда предупреждаю: скорость без качества словаря превращается в “зоопарк событий”. Дальше вы либо нормализуете события (и начинаете контролировать модель данных), либо потом платите за уборку тем же временем, но уже с сопротивлением бизнеса (“мы это не трогаем, потому что сломаем дашборды”).

Один критерий, который я использую для выбора (и почти всегда попадает в цель): вы выбираете платформу под вопрос, а не под “скриншот дашборда”.
— Если вопрос: “что происходит с продуктом и как меняется поведение по когортах?” — смотрите в сторону Амплитуды/HEAP.
— Если вопрос: “как это связано с веб-трафиком и базовой маркетинговой отчетностью?” — GA4 остается точкой опоры.
— Если вопрос: “как превратить измерение в управленческое решение по выручке при privacy-first?” — вам нужна связка governance + модель данных + подход к атрибуции/инкрементальности (а не только UI).

Небольшая цифра, которую я повторяю командам: в одном из e-com проектов ошибка в словаре событий дала расхождение в конверсии до 12% между командами. Не из‑за инструмента — из‑за того, что события имели разные определения в разных системах. После унификации событий и правил качества данных “выровнялось” без смены платформы, и обсуждение “кто лучше” прекратилось само собой.

Мой вывод простой: спорить “HEAP лучше Amplitude” или “GA4 хуже” — это разговор о следствиях. Правильнее спорить, где именно ломается цепочка: сбор → качество данных → согласованная модель метрик → применение к решениям. И вот там действительно видно, что вам нужно улучшить первым.

— @AnalyticsStackRu

Непрерывная аналитика вместо «раз в квартал»: как я собираю stack под RevOps-ответственность

Я всё чаще вижу одну и ту же проблему в аналитических стэках: события и дашборды живут отдельно от того, за что в 2026 году реально отвечает маркетинг. В B2B (и не только) маркетинг перестаёт быть «про лиды» и становится со-ответственным за выручку через RevOps: общий результат маркетинга, продаж и customer success. Поэтому главный разрыв — не между GA4 и CRM, а между привычным ритмом “собрали отчёт — забыли” и моделью, где решения принимаются по ходу жизненного цикла клиента.

Мой принцип для stack в таких условиях простой: **аналитика должна быть непрерывной, а не отчётной**. Когда я встраиваю это в практику, меня интересуют три вещи.

— Единый слой ключей и сущностей. Не “user_id vs client_id”, а что именно считается одним и тем же контрагентом/командой в разных системах. В GA4 и Mixpanel это, как правило, identity через согласованный набор идентификаторов; в CRM — через match правила по account/lead. Без этого вы потом будете спорить, что считать конверсией: на сайте, воронке продаж или в факте покупки.

— События должны быть “управляемыми”, а не только “наблюдаемыми”. Я видел команды, которые идеально фиксируют клики и формы — и при этом не могут ответить, почему MQL перестают догреваться и превращаются в SQL с низким win rate. Поэтому я пересобираю измерения вокруг сигналов принятия решений: time-to-first-value (в онбординге), качество демо (reach + engagement), причины отказа/задержки, признаки “скорого разворота” в воронке.

— Атрибуция — не последняя клика, а часть эксперимента. Server-side (серверная отправка), MMM (маркетинг-микс- моделирование) и incrementality (оценка прироста) — это не модные слова, а способ доказать причинность, когда privacy-first всё больше “режет” точность. Но даже MMM не спасает, если у вас нет корректной связки «канал → событие жизненного цикла → итоговая выручка».

Один практический наблюдение из недавнего внедрения: после того как мы поменяли фокус с “ежемесячных отчётов по лидам” на “еженедельный контур сигналов RevOps”, основная управленческая польза пришла не от нового дашборда, а от перекройки воронки событий. Резко сократилось время до гипотезы: вместо “похоже, проблема в кампании” команда начала видеть, на каком именно шаге ломается downstream (после первого контакта), и там уже стало возможным принимать решения не на уровне креатива, а на уровне процесса.

Если свести к технике: я строю минимальный контур “сайт/продукт → аналитика (GA4/Heap/Mixpanel) → CRM/учёт → витрина метрик (уровень account/команда)”. Дальше уже добавляю амплитуду экспериментов и модели атрибуции. Это и есть белый путь к аналитике, которая работает на выручку, а не только на красоту графиков.

Вопрос к вам: у вас сейчас аналитика отвечает на “сколько лидов”, или на “что именно дальше ухудшает (или улучшает) вероятность выручки”? Если второе — ваш stack уже должен жить в темпе бизнеса.

— @AnalyticsStackRu

Как Nike перестроила аналитику под retention: от «посчитали клики» к росту выручки

В 2026 такой кейс особенно показателен: когда last-click уже не объясняет продажи, а MQL/SQL-схема в B2B и «первая покупка» в e-com перестают быть главным ответом, выигрывают те, кто строит единую аналитику вокруг поведения и LTV.

Контекст у Nike был типичный для крупного бренда с сильным D2C-каналом: много точек контакта — сайт, приложение, e-mail, push, офлайн-ритейл, медиаразмещение. Проблема в том, что маркетинг видел рост трафика, CRM — открываемость сообщений, e-commerce — заказы, а продуктовая команда — активность в приложении. Единой картины, где видно, что реально двигает повторную покупку, не хватало.

Задача была не просто «собрать отчётность», а понять, какие сценарии ведут к **retention (удержанию)** и выручке на горизонте 60–90 дней. Для этого Nike, по публично описанной практике работы больших digital-брендов, опиралась на поведенческую аналитику уровня Amplitude/Mixpanel-подхода: события, когорты, воронки, пути, сегменты. Логика простая: не «сколько было кликов», а «какие действия предсказывают возврат и допродажу».

Решение выглядело так:
— Выделили ключевые события: просмотр коллекции, добавление в избранное, повторный визит, установка приложения, использование поиска по каталогу, покупка после push.
— Собрали когорты по первому сценарию входа: через контент, через performance-рекламу, через приложение, через офлайн.
— Сравнили не CTR, а долю пользователей, дошедших до 2-й покупки и 90-дневного LTV.
— Настроили триггерные коммуникации: если человек смотрел категорию 2–3 раза, но не покупал, то в CRM уходил другой сценарий, чем тем, кто уже сделал первую покупку.

Что это дало по смыслу? Не магию «роста на X% из воздуха», а более честную модель управления:
— маркетинг перестал оптимизировать кампании только под первую конверсию;
— продукт получил список событий, которые реально коррелируют с повторной выручкой;
— медиамикс стали оценивать через вклад в удержание, а не через последний клик;
— команда смогла сравнивать каналы по качеству привлечения, а не по объёму заявок или заказов.

**Урок:** в 2026 аналитика выигрывает не тем, что «считает больше», а тем, что связывает поведение, коммуникации и деньги. Если у вас в стеке есть GA4, то он хорош для масштаба и источников. Но когда вопрос звучит «почему клиент вернулся или не вернулся», нужна поведенческая аналитика уровня Amplitude или Mixpanel, а для итоговой атрибуции — уже server-side, MMM и инкрементальность, а не вера в last-click.

— @AnalyticsStackRu

GA4 всё чаще становится «витриной», а не мозгом аналитики

Моё мнение простое: в 2026 году GA4 оставляют для базового отчёта, а настоящие решения всё чаще принимают в Amplitude или Mixpanel. Почему? Потому что маркетингу уже мало знать, откуда пришёл пользователь — важнее видеть, что он сделал дальше, где сломался и что влияет на выручку. Heap хорош для захвата событий без боли, но в связке со зрелой продуктовой логикой. GA4 же всё заметнее уходит в роль общего языка для команды, а не центра принятия решений.

— @AnalyticsStackRu

В роликах Youtube теперь можно рекламировать товары Amazone

➡️ Читайте на сайте: https://aff.top/blog/v-rolikakh-youtube-teper-mozhno-reklamirovat-tovary-amazone

🧠 Ещё больше инсайтов → в канале AFF.top

Google выпустил Gemini Omni 1.1 Flash

Google обновил Gemini Omni для генерации видео: модель умеет продолжать сцены с учётом до 10 секунд контекста и собирать ролик до 40 секунд, работать по референсу и делать переходы между кадрами. Главный вывод — инструмент стал практичнее для продакшена, а посекундная цена делает его заметно доступнее для тестов и рабочих задач.

➡️ Читайте на сайте: https://aff.top/blog/google-vypustil-gemini-omni-1-1-flash

🧠 Ещё больше инсайтов → в канале AFF.top

Топ 5 PWA-сервисов для залива дейтинга

Статья показывает, что PWA выгодны не только для гемблы: в дейтинге они дают пуш-базу, больше траста и помогают маскировать оффер под бренд. Главный выбор зависит от цены инсталлов и теста GEO: для старта лучше бесплатные или дешёвые решения, а Progressier выделяется как самый практичный вариант для залива дейтинга.

➡️ Читайте на сайте: https://aff.top/blog/top-5-pwa-servisov-dlia-zaliva-deitinga

🧠 Ещё больше инсайтов → в канале AFF.top

Выбор системы аналитики в эпоху privacy-first: Amplitude vs GA4 для B2B-продукта

Разбор стека данных для B2B-сервиса с циклом сделки 6+ месяцев. В условиях 2026 года, когда классическая модель сбора лидов (MQL) уступает место RevOps (объединенная ответственность маркетинга и продаж за выручку), выбор инструмента аналитики становится критическим фактором выживания.

Компания: SaaS-платформа среднего сегмента.
Задача: Отследить путь пользователя от первого касания через AI-обзор (AI-overviews) до закрытия сделки, сохранив точность атрибуции в условиях ограничений Cookies (файлов куки).

Решение:
Был проведен сравнительный анализ двух систем: GA4 (Google Analytics 4) и Amplitude.

— GA4: использовался как базовый слой для оценки внешнего трафика и SEO-эффективности. Однако встроенная атрибуция столкнулась с проблемами из-за server-side (серверной) передачи данных, что привело к потере 15-20% данных о сессиях.
— Amplitude: внедрена как основной инструмент для продуктовой аналитики. Команда настроила передачу данных напрямую из CRM, связав действия пользователя внутри продукта с первичными источниками привлечения. Это позволило создать сквозную воронку, где каждое событие (event) привязано к конкретному аккаунту, а не просто к обезличенному посетителю.

Результат:
Интеграция Amplitude позволила сегментировать пользователей по уровню вовлеченности (engagement) до момента совершения покупки. Благодаря переходу от оценки кликов к оценке событий внутри системы, удалось выявить, что 40% конверсий происходят после повторного захода через прямые ссылки, которые ранее терялись в GA4 как «direct traffic» (прямой трафик). В итоге стоимость привлечения платящего клиента (CAC) снизилась на 12% за счет перераспределения бюджета в пользу каналов, приносящих целевые действия, а не просто переходы.

Урок для аналитика:
В эпоху 2026 года Last-click (атрибуция по последнему клику) мертв. Если вы работаете в сложном B2B, GA4 хорош для оценки «верхнего уровня» воронки, но для управления выручкой он недостаточен. Amplitude или Mixpanel дают возможность видеть всю цепочку действий клиента, что критически важно, когда пользователи переходят из режима «посмотрел рекламу» в режим «изучил AI-ответ — пришел через неделю — купил».

Вывод: для построения доказательной базы роста стройте гибридный стек. Используйте GA4 для внешних источников, а событийную аналитику вроде Amplitude — для связки маркетинговых действий с реальным LTV (пожизненной ценностью клиента). Только объединение данных на уровне сущностей, а не только сессий, позволяет сегодня принимать решения на основе реальных фактов, а не предположений.

— @AnalyticsStackRu