Скилл Метрики, часть 2: проверяем гипотезу SEO-команды за 2 минуты
Сначала выложил скилл Яндекс.Метрики. На следующий день получил кейс, ради которого он и создавался.
На зуме с SEO-командой одного из моих регулярных проектов специалист высказал смелое предположение:
— Оптимизация заголовков карточек товаров — пустая трата времени, результат не меняется, топ заполнен маркетплейсами.
Прошлой весной мы переделали заголовки по профнастилу, и нужно было быстро понять — дало это что-то или нет. Идеально, прям на зуме.
Задача: отделить эффект от наших действий от сезонного роста спроса. Классическая аналитическая работа минут на 30 — выгрузить трафик из Метрики, спрос из Вордстата, нормировать, сравнить динамику.
🔍 Дальше было демо Cowork
Если интересно, я могу выложить фрагмент видео.
Я просто написал один промпт. Claude подключил оба скилла — Метрику и Вордстат — и выстроил методологию:
1️⃣ Вытащил помесячную органику по страницам входа категории профнастил из Метрики
2️⃣ Забрал динамику спроса «профнастил» из Вордстата за тот же период
3️⃣ Нормировал обе серии и сравнил темпы роста
📊 Результат
Честно говоря, я бы долго щелкал по вкладкам интерфейса Яндекс.Метрики, чтобы получить нужные срезы и фильтры. У навыка в Claude Cowork ушло пара минут.
Когда я попросил сравнить с Вордстатом — то еще через пару минут получил аналитику сезонного влияния, оказалось было что-то кроме сезонности (оптимизация заголовков).
По запросу Claude также разделил каталог и статьи: товарные карточки дали 154 конверсии (CR 1,2%), статьи — ноль прямых заказов. Но тут же объяснил, что в модели атрибуции к последнему значимому переходу вклад статей в верх воронки может быть не виден — нужны ассоциированные конверсии.
Ключевое, это скорость получения аналитики по сравнению с ручным подходом.
🔗 Ссылки
Скилл Метрики: GitHub
Скилл Вордстата: GitHub
Если у вас тоже были задачи в Метрике, которые тратили много времени — приходите в комментарии, затестим через скилл.
----
Поляков считает — AI, код и кейсы
Сначала выложил скилл Яндекс.Метрики. На следующий день получил кейс, ради которого он и создавался.
На зуме с SEO-командой одного из моих регулярных проектов специалист высказал смелое предположение:
— Оптимизация заголовков карточек товаров — пустая трата времени, результат не меняется, топ заполнен маркетплейсами.
Прошлой весной мы переделали заголовки по профнастилу, и нужно было быстро понять — дало это что-то или нет. Идеально, прям на зуме.
Задача: отделить эффект от наших действий от сезонного роста спроса. Классическая аналитическая работа минут на 30 — выгрузить трафик из Метрики, спрос из Вордстата, нормировать, сравнить динамику.
🔍 Дальше было демо Cowork
Если интересно, я могу выложить фрагмент видео.
Я просто написал один промпт. Claude подключил оба скилла — Метрику и Вордстат — и выстроил методологию:
1️⃣ Вытащил помесячную органику по страницам входа категории профнастил из Метрики
2️⃣ Забрал динамику спроса «профнастил» из Вордстата за тот же период
3️⃣ Нормировал обе серии и сравнил темпы роста
📊 Результат
Честно говоря, я бы долго щелкал по вкладкам интерфейса Яндекс.Метрики, чтобы получить нужные срезы и фильтры. У навыка в Claude Cowork ушло пара минут.
Когда я попросил сравнить с Вордстатом — то еще через пару минут получил аналитику сезонного влияния, оказалось было что-то кроме сезонности (оптимизация заголовков).
По запросу Claude также разделил каталог и статьи: товарные карточки дали 154 конверсии (CR 1,2%), статьи — ноль прямых заказов. Но тут же объяснил, что в модели атрибуции к последнему значимому переходу вклад статей в верх воронки может быть не виден — нужны ассоциированные конверсии.
Ключевое, это скорость получения аналитики по сравнению с ручным подходом.
🔗 Ссылки
Скилл Метрики: GitHub
Скилл Вордстата: GitHub
Если у вас тоже были задачи в Метрике, которые тратили много времени — приходите в комментарии, затестим через скилл.
----
Поляков считает — AI, код и кейсы