Почему аналитика — это навык маркетолога, который AI не автоматизирует

Коротко. AI-инструменты всё увереннее берут на себя закупку рекламы, генерацию креативов и текстов — то, что раньше было ремеслом маркетолога. Но automation хорошо справляется с исполнением и почти не помогает с вопросом «что из этого означает и что с этим делать». Разбираем, почему умение читать данные и связывать метрики с деньгами остаётся навыком, который не автоматизируется, — и что нужно, чтобы аналитика в компании действительно на него отвечала.

В профессиональных сообществах маркетологов регулярно всплывает один и тот же вопрос: с какого навыка начинать в 2026 году, если раньше в digital-маркетинге можно было выбрать один канал и стать в нём экспертом. Ответы расходятся — кто-то называет платный трафик, кто-то копирайтинг, — но заметная часть сходится в одном: работа с данными и понимание того, что метрики означают, ценится больше, чем владение конкретным каналом или платформой.

Логика за этим простая. Каналы и платформы меняются каждые пару лет: сегодня в приоритете один рекламный кабинет, завтра бюджет уходит в другой формат. AI-инструменты забирают всё больше рутинного исполнения — ставки, таргетинг, первые версии креативов и текстов. А вот вопрос «эта кампания вообще принесла деньги, или только выглядела эффективной в отчёте рекламного кабинета» automation не снимает — она просто ускоряет то, к чему этот вопрос применяется.

Что именно автоматизирует AI в маркетинге — а что нет

AI закрывает задачи, которые можно формализовать: генерация вариантов текста, подбор аудиторий, автоматическая корректировка ставок, первичная сборка медиаплана. Это реальное ускорение — то, на что раньше уходили часы ручной работы, теперь занимает минуты.

Но у automation есть системное ограничение: она хорошо оптимизирует то, что ей задано как цель, и не может сама решить, правильная ли это цель. Если модель обучена повышать CTR или снижать цену клика внутри одного кабинета, она будет честно это делать — даже если в этом кабинете кампания «эффективна», а по факту приводит трафик, который не покупает или покупает один раз и не возвращается.

• Кто-то должен продолжать проверять ставки, targeting и креативы, которые AI выбирает — automation не несёт ответственности за бюджет, который она тратит.
• Кто-то должен видеть картину поверх одного канала — рекламный кабинет показывает свою атрибуцию, выгодную ему, а не всегда то, что произошло с деньгами компании.
• Кто-то должен уметь объяснить бизнесу, почему цифра изменилась — не «выросла», а конкретно из-за чего, и что с этим делать дальше.

Почему «понимание метрик» — редкий навык, а не базовый

Формально с аналитикой соприкасается почти каждый маркетолог: у всех есть доступ к рекламному кабинету, все смотрят на CTR, CPA, ROAS. Но между «видеть цифру» и «понимать, что она значит и что из-за неё стоит изменить» — большая разница, и именно вторая часть встречается редко.

Типичный разрыв выглядит так: специалист умеет читать готовый дашборд, но не может объяснить, почему ROAS в одном канале выше, чем в другом, если оба канала считаются по одной и той же формуле — с разными окнами атрибуции, разным учётом возвратов, разной моделью распределения ценности между касаниями. Цифры выглядят сравнимыми, но фактически не сравнимы, и решение, принятое на их основе, может быть в лучшем случае случайно верным.

Это ровно тот навык, который не заменяется способностью читать графики. Нужно понимать:

1. Откуда взялась цифра — какие данные и с какими допущениями легли в основу метрики.
2. Что метрика игнорирует — ДРР не учитывает маржу, CTR не учитывает качество трафика, атрибуция last click игнорирует роль медийки на верхних этапах воронки.
3. Что изменится в решении, если посмотреть на ту же ситуацию через другую метрику или модель атрибуции.

Без этого «data-driven маркетинг» превращается в ритуал: цифры на слайде есть, а решение всё равно принимается по интуиции — просто теперь с иллюстрацией.

Данные как процесс, а не как навык одного человека

Здесь легко сделать неверный вывод — что решение в том, чтобы нанять одного сильного аналитика, который будет разбираться в цифрах за всю команду. На практике это не масштабируется: пока понимание метрик сосредоточено в одном человеке, вся команда либо ждёт его ответа, либо продолжает решать «на глаз».

Более рабочий подход — сделать так, чтобы данные, на которые опирается команда, были по умолчанию связными и понятными, а не требовали расследования каждый раз заново:

• Расходы, клики, заявки и продажи должны лежать в одной модели, а не в семи разных кабинетах с разными правилами подсчёта. Тогда вопрос «сколько мы заработали на канале» не превращается в ручную сборку данных каждый раз.
• Модель атрибуции должна быть явной и понятной команде, а не «по умолчанию из рекламного кабинета» — иначе сравнение каналов между собой систематически искажено.
• Отчётность должна отвечать на бизнес-вопросы, а не показывать всё подряд — дашборд с полусотней метрик, которые никто не может проинтерпретировать, не делает команду более data-driven, чем три метрики, которые связаны с выручкой и которым доверяют.

Именно это — а не запрет на использование AI-инструментов в закупке или креативе — определяет, превращается ли automation в рычаг или в способ быстрее принимать необоснованные решения. Подробнее о том, почему объём собранных данных сам по себе не делает маркетинг точнее, мы разбирали в материале «Делает ли больше данных маркетинг лучше».

Частые вопросы про аналитику и автоматизацию в маркетинге

Заменит ли AI маркетологов, которые занимаются данными

AI автоматизирует исполнение — закупку, первичную генерацию креативов, корректировку ставок по заданным правилам. Он не заменяет интерпретацию: решение о том, какую метрику считать целью и что означает её изменение для бизнеса, остаётся на стороне человека, потому что для этого нужен контекст, которого нет у модели, оптимизирующей один канал.

Какой навык маркетолога самый устойчивый к автоматизации

Устойчивее всего — способность связывать метрики разных каналов с деньгами компании и объяснять, почему цифра изменилась, а не просто её показывать. Конкретные инструменты и платформы меняются каждые несколько лет, а понимание того, как читать и проверять данные, переносится между ними.

Чем отличается «читать дашборд» от «понимать данные»

Читать дашборд — значит видеть, что метрика выросла или упала. Понимать данные — значит знать, из каких источников и с какими допущениями эта метрика посчитана, что она не учитывает и что изменится в выводе, если посмотреть на ту же ситуацию через другую модель или другой временной период.

Что уносить с собой

AI меняет, какая часть работы маркетолога автоматизируется первой — это исполнение, а не интерпретация. Способность понимать, что означают данные, и связывать их с деньгами компании не становится менее важной с приходом automation — она становится более заметной, потому что именно на неё не хватает времени и внимания, когда рутина уже ускорена.

Поэтому вопрос не «AI или аналитика», а «на чём стоит хорошая закупка и хороший креатив» — и ответ на него не меняется от того, что генерирует текст или ставку теперь модель, а не человек.