Яндекс DataLens: как построить дашборд для рекламной аналитики

Клиент раз в неделю просит прислать «сводку по рекламе»: расход в Директе, звонки из коллтрекинга, заявки с сайта, продажи из CRM — четыре разных вкладки в браузере, которые нужно свести руками в одну общую таблицу перед отправкой. Через три месяца такой рутины я пересобрал эту сводку в дашборд DataLens один раз — и с тех пор просто присылаю ссылку, которая обновляется сама.

DataLens — бесплатный BI-инструмент от Яндекса для визуализации данных, и в контексте рекламной аналитики он закрывает конкретную дыру: готовые отчёты Метрики и Директа хороши каждый по отдельности, но не сводят расход, звонки и продажи в одном месте автоматически.

Разберу, что такое Яндекс DataLens простыми словами, как подключить к нему Метрику и Директ, какие типы чартов использовать и по какому алгоритму я собираю дашборды для клиентов на практике — с реальным кейсом и цифрами.

Сразу оговорюсь: DataLens — не панацея и не заменяет глубокую аналитику внутри каждого канала. Это инструмент для конкретной задачи — свести несколько источников в одном месте и перестать пересобирать одну и ту же таблицу руками каждую неделю. Если у вас один источник трафика и простая воронка, дальше в статье есть отдельный раздел про то, когда DataLens вообще не нужен — возможно, ваш случай именно такой.

Что такое Яндекс DataLens простыми словами

DataLens — сервис Яндекса для визуализации данных и построения интерактивных дашбордов: подключаете источник данных, строите чарты (графики, диаграммы, таблицы), собираете их на одном экране — и получаете живой отчёт, который обновляется автоматически, а не переделывается вручную каждую неделю. Работает это через браузер, без установки отдельного приложения на компьютер.

По сути DataLens — self-service BI-инструмент: не нужен программист или аналитик со знанием SQL, чтобы построить базовый дашборд, хотя для сложных случаев поддержка SQL-запросов и вычисляемых полей тоже есть. Для маркетолога или владельца бизнеса это означает, что дашборд можно собрать самостоятельно за один вечер, а не ждать техотдел неделями.

Личный кабинет для физлиц бесплатен без ограничения по числу дашбордов — платный тариф нужен только для встраивания сервиса в чужой продукт под своим брендом или для расширенных корпоративных сценариев. Для агентства или интернет-магазина, который хочет один общий дашборд по рекламе, бесплатной версии обычно достаточно.

Зачем дашборд, а не готовые отчёты Метрики

У готовых отчётов Метрики и Директа есть врождённое ограничение: каждый показывает данные только своего источника. Отчёт Директа расскажет про расход и клики, отчёт Метрики — про визиты и цели, отчёт CRM — про сделки и выручку. Чтобы ответить на вопрос «сколько мы заработали на рубль рекламного бюджета в марте», нужно свести все три источника вручную — и делать это заново каждую неделю.

Дашборд в DataLens решает это один раз: настроил связку источников — дальше цифры обновляются сами. На одном из проектов я свёл расход по рекламным кампаниям Директа, звонки из коллтрекинга и сделки из amoCRM в единый дашборд — сборка сводки, которая раньше занимала у менеджера почти два часа в понедельник утром, сократилась до открытия одной вкладки в браузере.

Второй довод в пользу дашборда — прозрачность для команды. Вместо того чтобы присылать клиенту скриншот таблицы раз в неделю, я даю ссылку на дашборд с публичным или ограниченным доступом — клиент сам смотрит цифры в реальном времени, когда ему удобно, без ожидания отчёта от подрядчика.

Как подключить Яндекс Метрику и Директ к DataLens

Подключение начинается с коннектора — модуля, который забирает данные из источника и приводит их к формату, понятному DataLens. Для рекламной аналитики чаще всего нужны три коннектора: Яндекс Метрика, Яндекс Директ и любой источник с данными о продажах — Google Таблицы, CSV-выгрузка из CRM или прямое подключение к базе данных, если она есть. Чтобы связать источники между собой корректно, в CRM должны сохраняться UTM-метки каждой заявки — без них датасет не сможет сопоставить продажу с конкретной рекламной кампанией.

После подключения коннектора создаётся датасет — по сути, слой между сырыми данными источника и чартами: здесь задаются вычисляемые поля, фильтры и связи между таблицами, если источников несколько. Датасет — самая важная часть настройки: ошибка здесь, например неверный тип поля с датой, ломает все чарты, построенные поверх него, и приходится пересобирать заново.

Полезная привычка — называть датасеты и чарты понятными именами сразу при создании, а не оставлять автоматически сгенерированные названия вроде «Датасет 3». Через полгода работы с проектом, где накопилось два десятка чартов, разобраться в безымянных объектах гораздо сложнее, чем кажется на старте — особенно если дашборд передаётся другому специалисту.

Учётные данные для доступа к Метрике и Директу запрашиваются через OAuth — тот же принцип авторизации, что используется для автоматизации через API Метрики. Отдельного технического токена вручную создавать не нужно, авторизация проходит через обычный аккаунт Яндекса, привязанный к рекламному кабинету.

Из чего состоит дашборд: чарты, датасеты, коннекторы

Иерархия в DataLens простая: коннектор подключает источник → датасет структурирует данные → чарт визуализирует конкретный срез → дашборд собирает несколько чартов на одном экране. Каждый уровень можно переиспользовать — один датасет может питать десяток разных чартов, а один чарт можно вставить сразу в несколько дашбордов.

На практике эта переиспользуемость экономит время при масштабировании: если у меня уже настроен датасет по расходам в Директе для одного клиента, добавить новый чарт — вопрос пяти минут, а не повторной настройки подключения с нуля.

Пример вычисляемого поля, которое я почти всегда добавляю в новый датасет с самого начала работы: стоимость заявки как расход, делённый на количество конверсий — эта метрика не приходит из Директа готовой, если заявки считаются в отдельной CRM, а не через цели Метрики. Формула в DataLens пишется похожим на Excel синтаксисом: `SUM([Расход]) / SUM([Количество заявок])`, и после сохранения это новое поле становится доступно для любого чарта на основе этого датасета, как обычная метрика источника.

Как построить первый дашборд: пошаговый алгоритм

Первый дашборд лучше собирать не «на вырост», а под один конкретный вопрос — иначе легко закопаться в настройках и не довести дело до конца. Порядок, которым пользуюсь сам:

Первый рабочий дашборд по такому плану обычно собирается за 40–60 минут, если данные в источниках уже чистые. Основное время съедает не сама сборка чартов, а именно проверка датасета — забытый неверный формат даты в CRM-выгрузке способен свести чарт в бессмысленную кривую с одной точкой на весь график.

Ещё один совет по этому алгоритму: не начинайте сразу с самого сложного источника. Если предстоит подключать и Метрику, и Директ, и CRM одновременно, разумнее сначала собрать минимальный дашборд по одному источнику — например, только по Директу — убедиться, что коннектор и датасет работают правильно, а затем добавлять остальные источники по одному. Так проще локализовать проблему, если что-то пойдёт не так: сразу понятно, в каком именно источнике или связке случилась ошибка.

Виды чартов в DataLens и когда какой использовать

В DataLens доступно около десятка типов визуализации, но для рекламной аналитики на практике хватает шести-семи. Разберу самые применимые с примерами использования.

Выбор типа чарта — не эстетический вопрос, а вопрос читаемости: неправильно выбранный график заставляет зрителя тратить время на расшифровку вместо понимания сути.

Частая ошибка новичков в DataLens — пытаться уместить на один дашборд десять разных типов чартов сразу. Геокарта из таблицы выше особенно полезна, если реклама настроена с учётом геотаргетинга по отдельным районам или городам — тогда сразу видно, какая зона показа даёт больше заявок. На практике 4–6 хорошо подобранных виджетов читаются лучше и быстрее, чем перегруженный экран, где глаз не знает, куда смотреть в первую очередь. Кстати, схожий принцип действует и в мастере отчётов Директа — там тоже проще собрать несколько точных срезов, чем один гигантский отчёт со всеми метриками сразу.

DataLens vs готовые отчёты рекламных кабинетов

Оба инструмента решают разные задачи, и выбор между ними зависит от того, что важнее в моменте — глубина анализа одного источника или свод нескольких.

На практике я использую оба инструмента параллельно: готовые отчёты — для оперативной работы внутри канала, дашборд — для еженедельной сводки клиенту и расчёта показателей вроде юнит-экономики, которые в принципе не существуют внутри одного рекламного кабинета. Чарт-воронка в DataLens особенно хорошо ложится на воронку продаж целиком — от клика до сделки, а не только до заявки, как в стандартных отчётах Директа. Плановые цифры для сравнения с фактом удобно брать из прогноза бюджета, составленного заранее.

DataLens и Looker Studio: когда что выбрать

Второй частый вопрос — чем DataLens отличается от Looker Studio (бывший Google Data Studio), другого бесплатного BI-инструмента. Разница в первую очередь в источниках: Looker Studio нативно и без сложностей забирает данные из Google Analytics, Google Ads и Google Таблиц, а вот с российскими сервисами — Яндекс Метрикой и Директом — там приходится городить обходные коннекторы через сторонние сервисы или ручную выгрузку CSV. DataLens в этом смысле удобнее именно для рынка, где основной трафик идёт через Яндекс: коннекторы к Метрике и Директу встроены напрямую, без посредников. По функциональности самих чартов инструменты сопоставимы — у обоих есть базовые линейные графики, столбчатые диаграммы, таблицы и KPI-виджеты, разница в основном в экосистеме источников, а не в возможностях визуализации как таковых.

Если у проекта есть и Google Ads-наследие, и активная контекстная реклама в Директе одновременно, иногда оправдано держать оба инструмента — Looker Studio для исторических данных Google, DataLens для текущей работы с Яндексом. Но для большинства российских проектов, которые продвигаются через Директ, DataLens закрывает задачу полностью без необходимости держать два инструмента параллельно.

DataLens и сквозная аналитика: объединение источников

DataLens не заменяет сквозную аналитику в узком смысле — он не отслеживает путь пользователя от клика до сделки автоматически. Но он отлично справляется с ролью витрины для уже собранных данных: если сквозная аналитика через коллтрекинг и CRM уже связала звонки, заявки и продажи с конкретными рекламными кампаниями, DataLens визуализирует эту связку в понятном виде для команды и клиента.

Разница похожа на разницу между складом и витриной магазина: сквозная аналитика — это процесс сбора и связывания данных, DataLens — способ показать результат этого процесса так, чтобы его можно было быстро прочитать, не разбирая сырые таблицы. Без качественной сквозной аналитики на входе дашборд просто красиво визуализирует неполные или несвязанные данные.

На практике я часто вижу обратную ситуацию: клиент просит «сделать дашборд как у конкурента», хотя на входе у него нет ни коллтрекинга, ни привязки заявок к источнику в CRM. В таком случае первый шаг — не открытие DataLens, а настройка сбора данных: без связки источника и конверсии дашборд получится красивым, но бесполезным для принятия решений — он просто покажет расход и клики отдельно от продаж, без возможности посчитать реальную окупаемость.

Права доступа и совместная работа над дашбордом

DataLens поддерживает несколько уровней доступа: можно дать право только на просмотр, право на редактирование или создать публичную ссылку без необходимости логиниться в Яндекс ID. Для клиентских дашбордов я обычно даю доступ на просмотр по ссылке — этого достаточно, чтобы клиент видел актуальные цифры, но не мог случайно сломать настройку датасета.

Дополнительная деталь, о которой часто забывают: доступ на просмотр по ссылке не означает автоматически защиту от копирования цифр — человек с такой ссылкой всё равно может сделать скриншот или переслать её дальше. Для действительно чувствительных данных, вроде полной маржинальности бизнеса, лучше давать доступ по логину в Яндекс ID с ограниченным списком email, а не открытую ссылку без пароля.

Разграничение прав особенно важно, если над одним проектом работает несколько специалистов — например, маркетолог и специалист по CRM-маркетингу. Право редактирования датасета стоит давать только тому, кто отвечает за настройку подключений, иначе случайное изменение фильтра одним человеком незаметно исказит цифры на дашборде для всех остальных.

Когда DataLens не нужен

DataLens — не универсальный ответ на любую задачу аналитики, и есть ситуации, где его настройка окажется избыточной тратой времени и сил, которые лучше направить на саму рекламу, а не на инфраструктуру отчётности.

Для микробизнеса с одной поисковой кампанией и коротким циклом сделки время на настройку коннекторов и датасета скорее всего не окупится — проще открыть штатный отчёт Директа раз в неделю. DataLens начинает окупать себя, когда источников данных становится больше двух и отчётность нужно готовить чаще раза в месяц.

Типичные ошибки при работе с DataLens

Общая логика у всех пяти ошибок одна: DataLens честно визуализирует то, что ему дали на входе, и не умеет самостоятельно заметить, что исходные данные испортились или структура источника поменялась. Ответственность за качество данных остаётся на человеке, который настраивает и поддерживает датасет.

Кейс: дашборд для контроля рекламного бюджета на практике

Разберу пример из практики — сеть из трёх стоматологических клиник с общим рекламным бюджетом около 340 000 ₽ в месяц. Отчётность до дашборда собиралась вручную в Excel раз в неделю: администратор клиники выгружал звонки, я — расход по Директу, бухгалтер — количество записавшихся пациентов из 1С. Сведение всего этого занимало у меня почти три часа каждый понедельник.

Первая версия дашборда, которую я собрал для этого проекта, не заработала как надо: я связал коннектор Директа с датасетом звонков по номеру телефона клиники, но у клиник было по два номера на разные источники трафика — сайт и Яндекс Карты, и данные схлопывались в один общий поток, теряя разбивку по кампаниям. Пересобрал датасет с разделением по подменным номерам коллтрекинга — заняло ещё около полутора часов, но после этого дашборд наконец показывал стоимость звонка отдельно по каждой клинике и каждому источнику.

Готовый дашборд наглядно показал то, что было совершенно не видно в разрозненных таблицах: одна из трёх клиник давала стоимость звонка 890 ₽ при среднем расходе, а две другие — 540 и 610 ₽ соответственно, хотя настройки кампаний были практически идентичными. Причина оказалась в конкурентной ставке в аукционе — рядом с этой клиникой за последний месяц открылся новый крупный конкурент, и без анализа рекламы конкурентов в моменте эту причину было бы сложно связать именно с этой клиникой. Бюджет перераспределили в пользу двух более эффективных точек, и общая стоимость звонка по всей сети клиник снизилась с 680 ₽ до 615 ₽ за следующий месяц.

Отдельно стоит сказать про третью клинику — ту, что оказалась в зоне новой конкуренции. Полностью убирать бюджет с неё не стали: дашборд также показал, что несмотря на дорогой звонок, конверсия из звонка в запись у этой клиники была выше средней по сети — 38% против 29%. Администратор именно в этой точке эффективнее закрывал звонок в запись. В итоге решение было точечным: снизили ставки по самым дорогим ключевым словам, но не остановили кампанию полностью, опираясь на связку двух метрик сразу, а не только на стоимость звонка.

Чек-лист: как собрать рабочий дашборд за час

Для тех, кто хочет собрать первый дашборд самостоятельно, вот сжатая версия алгоритма с типичными временными затратами на каждый шаг.

Это реалистичная оценка для одного чистого источника без сложных вычисляемых полей. Как только в дело идут несколько источников с разными идентификаторами клиента — как в кейсе со стоматологиями — время удваивается или утраивается за счёт сверки и очистки данных, а не самой работы в интерфейсе DataLens.

Отдельно закладывайте время на поддержку уже готового дашборда — это не разовая работа. Раз в один-два месяца стоит проверять, что все чарты всё ещё показывают актуальные цифры, а не застывшую картину из-за поменявшейся структуры источника. У меня в календаре стоит повторяющееся напоминание раз в месяц — открыть каждый клиентский дашборд и свериться с цифрами вручную по одному показателю, чтобы не обнаружить проблему только тогда, когда клиент сам заметит нестыковку.