Возможности ИИ в Google Analytics 4 в 2026 году

ИИ уже активно используется в Google Analytics 4 (GA4) и помогает прогнозировать тренды и метрики, а также более глубоко анализировать аудитории и поведение пользователей. Он усиливает мощный инструмент аналитики, предоставляет важную инсайдерскую информацию и обращает внимание на изменения в поведении аудиторий, аномалии в данных и прогнозируемые действия потребителей. Это повышает точность аналитики и дает бизнесу больше данных для принятия решений.

Эта статья посвящена четырём ключевым функциям GA4, полезным аналитикам, SEO-специалистам, маркетологам и владельцам бизнеса.

Где ИИ уже присутствует в GA4: основные функции

Важно понимать принципы работы ИИ в GA4, чтобы иметь возможность эффективно использовать полученную информацию для построения прогнозов, планирования бюджетов или подтверждения маркетинговых решений.

Автоматические инсайты и выявление аномалий

Необходимо выявлять причины внезапных скачков или спадов в трафике, а также чрезвычайно низкого (или высокого) интереса посетителей к определенной странице. Аномальное поведение требует анализа и обоснованных выводов о причинах, которые к нему привели. ML-модели сканируют параметры и показатели в отчетах, чтобы выработать определенный «стандарт», а затем выделяют нетипичное поведение или отклонения в этих показателях. Таким образом система выявляет аномалии, которые превращаются в полезные инсайты.

Автоматические инсайты (Automated Insights) генерируются без участия администратора или владельца бизнеса. Сравнивая фактические данные со статистической «нормой», система находит отклонения метрик от ожидаемого диапазона и создает инсайты с пояснениями и фиксированной датой. Найти их можно на главной странице или в разделе Reports.

Вот несколько примеров инсайтов.

Пользовательские инсайты (custom insights) генерируются на основе заданных условий. Найти их можно на главной странице в блоке «Insights & Recommendations».

GA4 предлагает несколько шаблонных пользовательских инсайтов, а также возможность создать новые с нуля.

Уведомления о новых инсайтах приходят в GA4 или на электронную почту. Можно создать до 50 пользовательских инсайтов для одного ресурса.

Неожиданное падение трафика

Алгоритм обнаружения аномалий (anomaly detection) вычисляет прогнозируемый диапазон для Users, Sessions, Conversions на основе исторических данных. Все, что выходит за пределы этого диапазона, помечается как аномалии.

Поэтому прежде чем принимать меры, необходимо подтвердить аномалию в нескольких отчетах, а также свериться с Search Console или логами.

Аномальные скачки трафика

Если происходит всплеск трафика (что является преимущественно положительным сигналом для бизнеса), GA4 также обозначает его как аномалию. Система фиксирует как отрицательные, так и положительные результаты, поскольку они выходят за пределы прогнозируемого интервала.

Почему всплеск трафика не всегда полезен для сайта? Потому что он может оказаться следствием спама, атаки ботов или ошибок в настройке отслеживания сессий или клиентов. Важно выяснить причину как «положительной», так и «отрицательной» аномалии. Инсайты помогают выявить определенные закономерности — например, какой именно канал вызвал отклонение.

Это позволяет перейти к более активным действиям, используя конкретный маркетинговый канал (в случае скриншота выше — платную социальную рекламу): улучшить креативы, выделить дополнительный бюджет на масштабирование и т. д.

Изменения в поведении пользователей

Аномалии в GA4 отслеживаются не только в количественных метриках, но и в поведенческих, например, в вовлеченности пользователей.

ИИ может заметить, что упала вовлеченность пользователей с десктопов, то есть следит не только за метриками, но и за различными сегментами аудитории. Другие поведенческие метрики для инсайтов включают глубину просмотра, среднее время вовлеченности и т. д.

Колебания дохода

Ключевые события и доход являются важнейшими показателями для e-commerce-бизнесов. Поэтому для них важно отслеживать исторические данные и прогнозируемые показатели, понимать источник их происхождения. На скриншоте ИИ показывает товары с наибольшим доходом — для масштабирования рекламы и персонализированного ремаркетинга.

Инсайты по конверсиям

Инсайты о снижении конверсий будут указывать на то, что нужно проверить технический функционал сайта или провести A/B-тестирование рекламных креативов. К инсайтам нужно относиться проактивно и использовать их как ориентир для дальнейших действий и оптимизации маркетинговой кампании.

Важной составляющей эффективного использования инсайтов по конверсиям является определение кастомных метрик и параметров, позволяющих более эффективно сегментировать аудиторию. Добавляйте к view_cart параметры currency, value и items, чтобы система лучше понимала поведение клиентов. Так ИИ-модели смогут точнее прогнозировать вероятность покупки на основе данных, которых нет в стандартных отчетах.

Чем больше данных о микроконверсиях имеет ИИ, тем точнее он анализирует воронку продаж. Так система определяет действия, которые чаще всего приводят к покупке. Таким образом, можно лучше оптимизировать воронку и своевременно выявлять узкие места для дальнейшей коррекции.

Прогнозируемые аудитории и показатели

Прогнозируемые показатели — инструмент Google Analytics 4 на основе машинного обучения, который использует обученные модели для анализа набора данных. На основе анализа исторических событий, последовательности действий и т. д. он предлагает прогнозы будущего поведения пользователей. Агрегируя данные о добавленных вами событиях, система может генерировать прогнозы для лучшего понимания поведения посетителей.

В 2026 году в GA4 доступны четыре прогнозируемых показателя:

• вероятность покупки;

• вероятность оттока;

• прогнозируемый доход;

• вероятность покупки в приложении.

Прогнозные условия для аудиторий

Прогнозируемые аудитории — это аудитории с хотя бы одним условием, основанным на прогнозируемом показателе. В Audience Builder можно перейти в раздел «Predictive» и выбрать одну из метрик. GA4 предлагает следующие шаблоны:

• Likely 7‑day purchasers — пользователи, которые, вероятно, совершат покупку в течение следующих 7 дней;

• Likely first‑day purchasers — люди, которые, вероятно, совершат свою первую покупку в течение следующих 7 дней;

• Likely 7‑day churning users — активные пользователи, которые, вероятно, не будут посещать ваш сайт в течение следующих 7 дней;

• Likely 7‑day churning purchasers — покупатели, которые уже совершали покупки у вас, но, вероятно, не будут посещать ваш сайт в течение следующих 7 дней;

• Predicted 28‑day top spenders — клиенты, которые, по прогнозам, принесут вам наибольшую выручку в течение следующих 28 дней.

Для того чтобы прогнозируемые аудитории работали, существуют определенные требования к наличию данных для анализа.

1. Минимальный объем данных:

• за последние 28 дней минимум 1000 посетителей, вернувшиеся на ваш сайт, должны совершить целевое действие (покупку);

• минимум 1000 вернувшихся потребителей не должны совершать это целевое действие;

• данные собираются в течение 7 дней в пределах последних 28 дней.

2. События:

• необходимо собирать события purchase (рекомендуется) и/или in_app_purchase (автоматически);

• для события purchase обязательно нужно передавать параметры value (стоимость) и currency (валюта);

• Android-приложения необходимо связать с Google Play через аккаунт Firebase, чтобы события in_app_purchase также были доступны для анализа.

3. Прогнозы будут доступны, когда качество ML-модели будет соответствовать минимальным требованиям в течение определенного периода времени. Для этого необходимо в настройках общего доступа к данным включить параметр «Данные для моделирования и статистика для компании». Google Analytics будет использовать общие сводные данные для улучшения качества моделей и уточнения прогнозов.

4. Чтобы создавать прогнозируемые аудитории, необходимо иметь роль специалиста по маркетингу на уровне ресурса.

Ниже рассмотрю это подробнее.

Вероятность покупки

Это предиктивная метрика GA4, которая оценивает вероятность ключевого события, чаще всего покупки, в течение следующих 7 дней среди пользователей, активных за последние 28 дней.

Эта модель работает, анализируя определенные характеристики поведения пользователей, а именно:

• источники трафика;

• добавление в корзину;

• историю покупок;

• глубину взаимодействия;

• просмотры товаров и т. д.

Для каждого пользователя рассчитывается вероятность совершения покупки в течение недели на основе этих моделей поведения. Расчеты обычно обновляются раз в сутки с учетом поступления новых данных.

Показатель вероятности покупки используют, например, для создания аудиторий Likely 7‑day purchasers. Их синхронизируют с Google Ads, а затем настраивают ремаркетинг и smart bidding. Это помогает сосредоточиться на посетителях с высоким намерением покупки и предлагать им персонализированные предложения, повышая ROI маркетинговой кампании.

Вероятность оттока

Вероятность оттока показывает, перестанет ли посетитель быть активным в ближайшие семь дней. С помощью прогноза можно выявить пользователей с высоким риском оттока для запуска кампаний по удержанию и возвращению.

Модель анализирует частоту и глубину взаимодействия с продуктом, время пребывания на сайте или в приложении и другие поведенческие сигналы. Затем она сравнивает их с историческими паттернами потребителей, которые остались или перестали пользоваться ресурсом, и прогнозирует вероятность оттока.

Показатель вероятности оттока применяется для формирования аудиторий Likely 7‑day churning users и Likely 7‑day churning purchasers. На них можно сосредоточить усилия по удержанию и таргетировать напоминаниями, скидками или другими персональными предложениями. 

Прогнозируемый доход

Эта метрика охватывает весь доход от ключевых событий покупки (purchase) в течение следующих 28 дней для клиента, который уже проявлял активность в последние 28 дней. С помощью этой метрики можно узнать потенциальный доход и средний чек конкретного пользователя. 

Данная модель анализирует исторические данные о покупках, повторных покупках, добавлении в корзину, среднем чеке и т. д. и оценивает, какой доход этот посетитель может принести в будущем.

Прогнозируемый доход используется для создания аудиторий predicted 28‑day top spenders, то есть потребителей, которые, по всей вероятности, принесут наибольшую выручку в течение следующих 28 дней. Эту аудиторию используют для VIP-предложений, тактик кросс-продаж и апселл и т. д.

Вероятность покупки в приложении

Эта метрика прогнозирует вероятность того, что пользователь, который был активен в течение последних 28 дней, совершит целевое действие in_app_purchase в течение недели. Она ориентирована именно на мобильные приложения с внутренними покупками.

Алгоритм анализирует взаимодействие пользователя с приложением — прохождение различных уровней, время пребывания, совершенные покупки, сравнивает данные с другими пользователями и рассчитывает вероятность будущей покупки. 

Аудиторию, сформированную на основе этих данных, можно использовать для стимулирования внутренних покупок в приложениях с помощью различных акций, push-уведомлений, индивидуальных предложений и т. д. Можно также предоставлять этим клиентам доступ к новым функциям или пакетным предложениям и использовать высокую склонность пользователей к покупкам для продвижения нового функционала.

Моделирование данных

Моделирование помогает лучше понять поведение людей и их взаимодействие с ресурсом. В отличие от Universal Analytics, GA4 опирается прежде всего на события, а не на просмотры страниц.

Из-за отказа от файлов cookie или настроек конфиденциальности GA4 не всегда получает данные для подсчёта пользователей и сессий. В таких случаях поведенческое моделирование статистически оценивает отсутствующие показатели на основе данных похожих потребителей, которые дали согласие на сбор файлов cookie.

Затем система объединяет собранные и смоделированные данные в отчетах.

Поведенческое моделирование

Оно помогает оценить действия посетителей, которые не дали согласия на использование файлов cookie. 

Чтобы воспользоваться функцией моделирования поведения, ресурс должен иметь достаточное для обучения алгоритмов количество данных:

• 1000 событий согласия на сбор файлов cookies в течение недели;

• 1000 событий отказа от сбора файлов cookie в течение недели;

Соблюдение этих требований не гарантирует включение моделирования, поскольку алгоритмам машинного обучения требуется определенный объем данных для обучения. Но когда ресурс накопит достаточное количество данных, функция активируется автоматически.

Далее я рассмотрю, что именно моделирует GA4 с помощью AI/ML-моделей, когда статистических или исторических данных недостаточно или они отсутствуют (например, из-за ограничений режима consent mode). Это не официальная классификация Google, а скорее попытка показать компоненты поведенческого моделирования.

1. Пользователи.

User-based моделирование направлено на восстановление поведения потребителей и их количества, поскольку система не может отслеживать всех из-за отказа от cookie или ограничений конфиденциальности браузеров. Таким образом, невозможно связать конкретного посетителя с его действиями на сайте.

Система обучается на потребителях, давших согласие, изучая определенные характеристики их поведения, например: тип устройства, ОС, браузер, геолокация, канал трафика, тип контента и т. д. Впоследствии она использует полученный анализ для оценки клиентов, не давших согласия на использование файлов cookie. Таким образом, модель может приблизительно оценить, сколько пользователей посещало ресурс.

2. События.

Event-based моделирование фокусируется уже не на пользователях, а на событиях, которые не могли быть зафиксированы по тем же причинам — отказ от файлов cookie или ограничения конфиденциальности браузеров.

Поскольку GA4 сосредоточен на событиях и отслеживает клики, просмотры и т. д. как каждое отдельное действие пользователя, недостаток информации может привести к неточностям в отчетах. Именно поэтому система моделирует события, которые могли произойти в незафиксированных сессиях, создавая целостную картину поведения клиентов.

3. Сессии.

Моделирование на основе сессий восстанавливает информацию о сессиях (частота, продолжительность, количество и т. д.), когда данные о начале сессии (событие session_start) недоступны.

Модель анализирует сессии пользователей, давших согласие на отслеживание, и изучает их типичные сессии: среднее количество событий за одну сессию, распределение по источникам, географии, типам устройств, а также сессии, длящиеся более 10 секунд (engaged sessions).

Далее система анализирует данные от пользователей без согласия и моделирует вероятное количество сессий, их глубину и продолжительность.

Для построения надежных паттернов в GA4 должно быть достаточное количество информации от клиентов, давших согласие. Если информации не хватает, в отчетах будут отображаться только статистические данные с согласием, что может сильно исказить результаты анализа.

4. Трафик.

Трафик моделируется по тому же принципу: GA4 пытается спрогнозировать, как бы он распределился между кампаниями или каналами, если бы все посетители дали согласие на сбор файлов cookie.

Алгоритмы анализируют исторические данные полных сессий (observed sessions) и структуру трафика по каналам и кампаниям. Они равномерно распределяют смоделированную часть трафика между каналами, чтобы общая картина соответствовала историческим данным, а не склонялась в пользу канала Direct (что происходит из-за отсутствия UTM-меток в «неполных» сессиях вследствие блокировки файлов cookie).

Моделирование конверсий

Алгоритм рассчитывает реальное количество конверсий, учитывая, что не все целевые действия можно зафиксировать напрямую (из-за отсутствия разрешения на сбор файлов cookie, технических ограничений, настроек конфиденциальности и т. д.).

Система комбинирует реальные события, которые были зафиксированы, с обобщенными данными:

• тип устройства, 

• временные параметры, 

• гео и сигналы из других продуктов Google (например, Google Ads), если имеется разрешение на использование данных (data sharing).

Смоделированные конверсии впоследствии попадают в основные отчеты типа «События», «Ключевые события», «Атрибуция».

Аналитический интеллект и разговорный интерфейс в GA4

Интеграция ИИ позволяет задавать вопросы на человеческом языке и получать ответы в виде данных, графиков или аналитических выводов. Эта функция полезна маркетологам, SEO-специалистам, менеджерам и генеральным директорам, которые хотят получать ответы на конкретные бизнес-вопросы без самостоятельного создания отчетов.

Запросы на естественном языке

В основном поддерживается английский язык, и все вопросы желательно задавать на нем.

Система поддерживает запросы на естественном языке и сразу возвращает числовые показатели или графики. Однако, когда требуются ответы на сложные запросы или ожидаемый ответ не должен быть кратким и лаконичным, лучше сразу обращаться к отчетам (стандартным или Explore).   

Рекомендации по релевантным запросам

GA4 предлагает релевантные AI-подсказки к введенным запросам, которые помогут сформулировать правильный запрос или предложат связанные последующие действия (follow-ups) для более глубокого раскрытия вопроса.

Используя эти подсказки, можно «погружаться» в данные глубже и получать ценную информацию без настройки соответствующих отчетов.

Диалоговый интерфейс (ИИ-помощник)

AI Advisor — это новый агентский разговорный интерфейс, работающий на базе Gemini и дающий ответы на обычные разговорные запросы пользователя в виде визуализаций, ссылок на отчеты и т. д. Это очень удобный инструмент, независимо от уровня экспертизы в GA4. В настоящее время он доступен для тех ресурсов, где выбран английский язык. AI Advisor будет полезен для:

• получения информации об общей статистике эффективности;

• получения статистики и визуализации данных по параметрам, показателям, событиям и т. д.;

• определения причин спадов и роста;

• предоставления пошаговых инструкций;

• обучения работе с GA4 и отчетами;

• получение сведений о конфигурации ресурса;

• определение точки роста и получение рекомендаций.

Чтобы открыть AI Advisor, нажмите на иконку в правом верхнем углу интерфейса GA4.

AI Advisor — это новый агентский диалоговый интерфейс, работающий на базе Gemini и дающий ответы на обычные разговорные запросы пользователя в виде визуализаций, ссылок на отчеты и т. д. Это очень удобный инструмент, независимо от уровня знаний в GA4. В настоящее время он доступен для тех ресурсов, где выбран английский язык. AI Advisor будет полезен для:

• получения информации об общей статистике эффективности;

• получение статистики и визуализация данных по параметрам, показателям, событиям и т. п.;

• определение причин спадов и роста;

• предоставление пошаговых инструкций;

• обучение работе с GA4 и отчетами;

• получение сведений о конфигурации ресурса;

• определение точки роста и получение рекомендаций.

Технический чек-лист готовности к эффективному использованию ИИ в GA4

1. Ресурс активен ≥ 28 дней, имеется стабильный трафик и целевые действия.

2. Включена функция «Modeling contributions & business insights» в настройках совместного доступа к данным (Account → Account Details → Modeling contributions & business insights).

3. Не превышены лимиты на ключевые события, пользовательские параметры/показатели, аудитории (Custom Definitions → Quota Information).

4. События purchase / in_app_purchase настроены и отправляются для всех транзакций (Events → искать purchase / in_app_purchase). 

5. Для события purchase всегда передаются value и currency (DebugView → событие purchase → параметры value, currency).

6. Используется уникальный transaction_id, нет дублирующихся конверсий (Explore → Free form → Rows: transaction_id, Values: event_count → дубликаты будут transaction_id с event_count > 1).

7. Определенные ключевые события соответствуют реальным бизнес-целям (проверить Key Events).

8. За последние 28 дней есть ≥1000 покупателей и ≥1000 тех, кто не купил (или соответствующие условия для других прогнозных метрик. Reports → Engagement → Events → purchase → Users).

9. В Explore → Predictive metrics нет предупреждения о недостаточном объеме данных / качестве модели (Audiences → Create Audience → вкладка Predictive).

10. Создано как минимум 1–2 прогнозируемые аудитории (Audiences → Create Audience → вкладка Predictive).

11. Внедрен Google Consent Mode v2 в режиме Advanced, а не Basic (Tag Assistant).

12. После запуска Consent Mode прошло несколько дней, имеется достаточно трафика с отметками granted/denied (Reports → Tech → Tech Details → разбивка по браузеру / устройству до и после запуска. Резкое падение данных свидетельствует о том, что поведенческое моделирование ещё не работает).

13. В Reporting identity выбран Blended mode с modeled-данными (Admin → Property → Reporting identity → выбрать Blended/Observed + Modeled).

14. На странице Home/Reports/Advertising регулярно просматриваются автоматические аналитические отчеты (Home или Reports Snapshot → View all insights → Create).

15. Создано несколько пользовательских аналитических отчетов.

16. Включены email-уведомления по важным custom insights (View all insights → Manage → Email Notifications).

17. В настройках атрибуции GA4 выбрана Data-Driven Attribution в качестве модели по умолчанию (Admin → Events → Attribution Settings → Data-Driven).

18. Имеется достаточный объем конверсий и каналов (Advertising → Attribution → Key Event Attribution Models. Проверить, есть ли отдельное распределение Data-Driven от Last Click).

19. Настроен экспорт из GA4 в BigQuery (Admin → Property → BigQuery Links → Link → выбрать проект, набор данных, частоту экспорта — ежедневный или поток).

Чего ожидать в будущем от синергии ИИ и GA4

GA4 перестала быть просто системой регистрации данных и все больше полагается на моделирование и прогнозирование. Это позволит разгрузить специалиста от ручной отчетности и освободит время для построения стратегии и анализа поведенческих сигналов.

В будущем внимание к конфиденциальности пользователей будет расти, а количество файлов cookie, возможно, сократится — ИИ-инсайты и моделирование помогут восполнить этот пробел и не упустить возможность создавать эффективные отчеты.

GA4 и другие аналитические инструменты будут развиваться в направлении генеративной и диалоговой аналитики. Числовые отчеты будут дополнены динамическими визуализациями и диалогом с ассистентом, который будет помогать находить причины изменений в показателях. Подсказки в GA4 также будут становиться более сложными, и именно клиенты будут обучать модели, каждый раз уточняя и более точно формулируя свои запросы.

FAQ

1. Можно ли отслеживать AI-трафик в GA4?

Да, в GA4 можно отследить, как клиенты находят ваш бизнес через ChatGPT, Gemini и Claude с помощью нового канала AI Assistant в отчетах Default Channel Group.

2. Какие ограничения есть у моделей ИИ в GA4?

Моделирование работает только в том случае, если за последние 28 дней было не менее 1000 пользователей, выполнивших целевое действие, и 1000, которые его не выполнили. Пока что GA4 не делает долгосрочных прогнозов, а только на ближайшие дни/недели. Если качество модели опускается ниже минимального порога, GA4 перестает предоставлять прогнозы.

3. Как качество данных влияет на моделирование в GA4?

Качество данных напрямую влияет на успешность моделирования. Рекомендуется использовать события purchase, in_app_purchase и полные параметры (value, currency) для увеличения шансов использования предиктивных метрик. Множество незначительных пользовательских событий или пропущенные важные ключевые события могут искажать прогнозы.

4. Как ИИ в GA4 помогает в анализе мобильных приложений?

GA4 интегрируется с Google Analytics for Firebase SDK, собирая события из приложений для iOS и Android, а также с веб-сайтов в одном объекте. Таким образом, осуществляется кроссплатформенная визуализация поведения пользователей.