Как мы автоматизировали отчётность по рекламе: Python → BigQuery → Looker → AI
Ручная отчётность по рекламе — это боль, которую все терпят: раз в неделю кто-то выгружает цифры из Яндекс Директа и Google Ads, сводит их в таблицу, считает показатели, делает скриншоты графиков и вставляет в презентацию. К моменту, когда отчёт готов, данные уже устарели, а на «почему так» ответа нет. Мы собрали дашборд, который делает всё это сам — каждый день. Ниже — как он устроен по слоям.
Слой 1. Сбор данных: Python + API
Первое, от чего нужно избавиться, — это ручная выгрузка. Скрипт на Python обращается к API рекламных систем и забирает статистику по кампаниям: показы, клики, расход, конверсии. Он запускается по расписанию через GitHub Actions — это значит, что не нужен свой сервер: код лежит в репозитории, а бесплатный планировщик GitHub сам запускает его каждое утро. Никаких «забыл выгрузить» — данные приезжают сами.
Слой 2. Хранилище и расчёты: BigQuery + SQL
Сырые данные складываются в таблицу в Google BigQuery — облачном хранилище, которое не тормозит на больших объёмах и дёшево стоит для таких задач. Дальше начинается самое важное: поверх таблицы мы пишем кастомные SQL-запросы, которые превращают сырые цифры в осмысленные показатели — CPC, CPA, CR, CTR, ДРР — и, что ценно, готовят сравнения по периодам: неделя к неделе, месяц к прошлому месяцу. Именно сравнение, а не абсолютные числа, отвечает на вопрос «стало лучше или хуже».
Слой 3. Визуализация: Looker Studio + кастомный дизайн
Готовый источник данных подключается в Google Looker Studio. Но стандартный Looker выглядит как Looker — поэтому мы верстаем поверх кастомный HTML/CSS и растягиваем его под фирменный дизайн, чтобы отчёт смотрелся как продукт, а не как таблица. Внутри — не случайный набор графиков, а продуманные диаграммы под задачу: тренды ключевых метрик, bubble-график «CPA × конверсии» для оценки эффективности кампаний, расходы против кликов и CPA против конверсий по неделям. Плюс светлая и тёмная темы — чтобы отчёт одинаково хорошо читался и на экране, и на проекторе.
Слой 4. AI-выводы: Gemini + Cloud Run
Даже красивый дашборд всё ещё требует, чтобы кто-то посмотрел на него и сделал вывод. Этот шаг мы тоже автоматизировали. Отдельный сервис отправляет данные за последние 7 дней в нейросеть Gemini, которая сравнивает их с прошлым периодом и возвращает короткое саммари: что выросло, что просело, на что обратить внимание. Этот блок «BI Insights» виден прямо в дашборде. Сервис живёт на Google Cloud Run — он запускается по запросу и не требует постоянно работающего сервера.
Мы разобрали этот проект в отдельном кейсе — со скриншотами и стеком.
Что это даёт на практике
Связка «Python → BigQuery → Looker → AI» превращает недельную рутину в фоновый процесс: отчёт готов каждое утро, всегда актуален, собирает все рекламные системы в одном окне и сразу подсказывает выводы. Освобождается главное — время специалиста, которое уходит теперь на решения, а не на сборку таблиц. А чтобы цифры в таком дашборде были корректными, под ним должна стоять настроенная веб-аналитика, а для выручки — сквозная аналитика.
Нужен такой отчёт по вашей рекламе? Это часть услуги BI-дашборды — напишите нам.
Кейсы, разборы и новости digital — без воды.