Меня зовут Павел Злобин, я руковожу маркетинговыми командами в IT-Agency. Чтобы сократить время на подготовку аналитики и сделать её полезнее для клиентов и команды, я автоматизировал эту задачу с помощью ИИ.
Теперь нейросеть собирает дашборды, которые объединяют данные из рекламных систем и CRM, помогают быстрее находить закономерности и сокращают время на подготовку отчётов.
В этой статье покажу, как за несколько минут собрать в Codex аналитический дашборд, который автоматически получает данные из Яндекс Директа, визуализирует ключевые показатели и помогает находить точки роста. Разберём подключение через API, создание первого отчёта и приёмы, которые превращают дашборд из набора графиков в инструмент для принятия решений.
Павел Злобин
зам. руководителя по производственной части
Статья написана по мотивам эфира на «НейроМастерской» у Тимура Угулава. Посмотреть запись можно по этой ссылке.
Зачем нужны дашборды и почему смотреть только на рекламные показатели недостаточно
Как руководитель маркетинговых команд, я отвечаю за эффективность производства. В агентстве мы стараемся системно разбирать работу на отдельные процессы и улучшать каждый из них. Если провести аналогию с производством, то у любого проекта есть свои этапы: сбор данных, анализ, подготовка отчётов, принятие решений и коммуникация с клиентом. Сегодня значительную часть этой работы помогают автоматизировать нейросети.
Одна из самых частых задач в маркетинге — аналитика. Но клики, показы и другие рекламные метрики сами по себе мало что говорят бизнесу. Важнее понимать, как маркетинг влияет на продажи и прибыль. Поэтому при анализе я всегда сопоставляю рекламные данные с информацией из CRM. Только так можно увидеть, превращается ли маркетинговая активность в деньги.
Поэтому полезно собирать дашборды. В отличие от привычных отчётов, которые просто предоставляют данные, дашборды помогают решать конкретные задачи маркетолога и бизнеса. Они объединяют информацию из разных источников, показывают связи между показателями и помогают быстрее находить закономерности, которые влияют на продажи и выручку.
Как я собрал аналитический дашборд в Codex
Чтобы проверить возможности Codex на практике, я решил собрать аналитический дашборд на реальных данных. В качестве источников использовал данные из Яндекс Директа и выгрузку из CRM с информацией о заявках и продажах. Такой подход позволяет смотреть не только на рекламные показатели, но и на их влияние на бизнес-результат.
Шаг 1. Подготовил рабочее пространство проекта
Первое, что понадобится, — не сам Codex и даже не API. Важнее подготовить единое пространство проекта, в котором будут храниться все данные, необходимые для работы нейросети.
Для этого я создал отдельную папку проекта в Codex и складывал туда выгрузки из CRM, инструкции по подключению сервисов, отчёты, записи встреч и любые другие материалы, которые помогут ИИ лучше понимать контекст проекта. Отталкивался от минимального набора данных и называл файлы стандартно: дата, id, utm_campaign и так далее. Идеально, когда данных больше: дата, id, статус, выручка, LTV, 5 UTM параметров.
По моему опыту, именно качественный контекст сильнее влияет на результат, чем выбор конкретного инструмента.
Скрин проекта на локальном диске у сотрудников
Такие папки по проектам — это ещё и единая база знаний для коллег. Благодаря ей разные специалисты могут загружать свои документы по проектам и использовать их для общего контекста.
Шаг 2. Подготовил данные для анализа
Для примера я использовал два источника данных:
- статистику из Яндекс Директа;
- выгрузку из CRM с UTM-метками, заявками и продажами.
Именно наличие CRM-данных делает отчёт по-настоящему полезным для бизнеса. Рекламные показатели сами по себе мало что говорят о результате. Гораздо важнее понимать, какие кампании приводят заявки, продажи и квалифицированные лиды.
Cкрин выгрузки из CRM с UTM-метками
Шаг 3. Подключил доступ к данным через API
Следующий этап — дать Codex возможность получать данные напрямую из источников.
Для этого используются API и токены доступа. В папке проекта я храню отдельный файл с токенами и инструкциями по подключению. После этого нейросеть может самостоятельно обращаться к рекламным кабинетам, получать статистику и обновлять отчёты без ручных выгрузок.
Скрин файла с подключения по API. Будьте аккуратны с токенами — в нашем примере они придуманные, в реальности же делиться этими данными небезопасно.
После настройки токенов достаточно один раз объяснить системе, где они лежат. Дальше Codex сможет использовать их при последующих запросах.
Шаг 4. Поставил задачу на сборку дашборда
Когда данные были готовы, я сформулировал задачу. Нейросеть должна была:
- подключиться к источникам данных;
- получить статистику;
- собрать HTML-отчёт;
- самостоятельно предложить структуру дашборда;
- показать показатели, которые помогут оценить эффективность рекламы.
На этом этапе важно не расписывать каждую деталь интерфейса, а объяснить бизнес-задачу, которую должен решить отчёт.
Шаг 5. Получил первую версию отчёта
Первый дашборд появился через несколько минут.
В отчёте уже были графики, таблицы и основные показатели рекламных кампаний. Кроме того, данные были представлены в HTML-формате, который легко обновлять и удобно показывать клиентам или коллегам.
Первая версия оказалась скорее черновиком, чем финальным решением.
Пример первой версии дашборда
Шаг 6. Проверил результат и нашёл слабые места
После просмотра отчёта стало понятно, что его нужно доработать.
Например, на отдельных графиках не хватало подписей значений. Некоторые показатели отображались не в том виде, который нужен для анализа. Часть данных из CRM не была учтена в итоговых выводах. Обнаружил и ограничения в данных: например, не все заявки содержали UTM-метки.
На этом этапе важно понимать: подобные недочёты — нормальная часть процесса. Первая версия не для публикации, а для проверки гипотезы.
Примеры доработок
Шаг 7. Доработал дашборд через новые задачи, чтобы объединить рекламные данные и CRM
Вместо того чтобы вручную редактировать отчёт, я поставил Codex новые задачи.
Например, попросил добавить данные из CRM в аналитические выводы, связать продажи с рекламными кампаниями и обновить визуализацию. Система самостоятельно проанализировала новую выгрузку, обнаружила пересечения по UTM-меткам и пересобрала отчёт.
Вся доработка происходила через постановку новых задач, а не через работу с кодом.
Пример доработки отчёта через промпт
После подключения CRM в отчёте появились данные по заявкам, стадиям сделок, продажам и UTM-меткам. Это позволило оценивать не только стоимость клика или количество переходов, но и реальные бизнес-показатели. Html-файл с отчётом можно посмотреть здесь.
Дополнительно такой подход позволяет подключать и другие источники данных: Wordstat, системы аналитики, сервисы рассылок и любые платформы, у которых есть API.
Выводы и итоги
В результате я получил HTML-дашборд, который автоматически объединяет данные из рекламных систем и CRM и помогает оценивать не только рекламные показатели, но и их влияние на продажи и выручку.
Этот эксперимент показал, что с помощью Codex можно значительно сократить время на подготовку аналитики. Для этого достаточно дать нейросети доступ к данным, сформулировать задачу и последовательно дорабатывать результат через новые запросы.
Самое главное — то, что мы проделали в рамках статьи, развязывает руки специалистам и из других сфер. Вооружившись Codex, Claude или Cursor копирайтеры, CRM-маркетологи, менеджеры и предприниматели открывают ворота в мир аналитики. Ведь абсолютно не имеет значения, какие данные выводить в отчёты — подойдут KPI любого бизнеса и направления.
Считаете продажи? Пожалуйста, залогиньте ваш ИИ по API с CRM системой и стройте аналитику и следите за качеством работы отдела продаж. Отслеживаете стату по рассылкам — проще простого подключиться по API к сервисам вроде Unisender и не только собирать аналитический дашборд, но и создавать сами письма из чата с ИИ.
Главная ценность такого подхода — не в автоматизации отчётов как таковой, а в возможности быстрее получать ответы на вопросы бизнеса и принимать решения на основе полной картины, а не отдельных рекламных метрик.
