Как ИИ помогает измерить реальную эффективность рекламы в Telegram-канале
Разбираем реальный проект: три источника данных, пять кампаний, один неожиданный вывод — клики не конвертируются в подписчиков.
Задача и исходные данные
Клиент ведёт авторский Telegram-канал и несколько месяцев запускал рекламу отдельных постов через Яндекс Директ. После завершения рекламного периода появился закономерный вопрос: что именно дала эта реклама? Выросли ли охваты? Появились ли новые подписчики? Какой формат сработал лучше?
Ответить на эти вопросы «на глаз» невозможно — нужно свести данные из разных источников и посмотреть на динамику в разрезе каждого дня кампании.
Три источника данных
Выгрузка расходов из Яндекс Директ
Excel-файл с детализацией по дням: названия кампаний, показы, клики, CTR, расходы. Всего 5 кампаний за период январь–март 2026 г. Одну кампанию (ya_net_vc_dsavchenko_rus) исключили — она вела не в Telegram.
Экспорт чата из Telegram
HTML-файл с историей постов канала: даты публикаций, текст, реакции на каждый пост. Именно реакции (👍, ❤, 🔥 и др.) используем как косвенный показатель охвата — данных о просмотрах в экспорте нет.
Статистика подписчиков из TGStat
Excel с ежедневной динамикой: общее количество подписчиков и изменение за день. Важная оговорка: клиент параллельно мог запускать кампании на набор подписчиков — их данных у нас нет.
Методология: как ИИ работал с данными
Весь анализ выполнен с помощью Claude (Anthropic) — ИИ-ассистента с возможностью запускать Python-код прямо в диалоге. Это позволяет не переключаться между инструментами: загрузил файлы, описал задачу — и получил готовый анализ с визуализацией.
Ключевое преимущество ИИ-аналитики — не скорость, а способность держать контекст всей задачи и задавать правильные уточняющие вопросы до того, как начать считать.
— Из практики работы над кейсом
Что делал ИИ на каждом этапе
Первый шаг — разбор структуры данных. Файлы из разных систем имеют разный формат: в Excel с расходами заголовки находились на 4-й строке, файл подписчиков хранил данные в «вертикальном» формате (дата, затем значение, затем изменение — каждая строка отдельно), а HTML-экспорт Telegram нужно было парсить через BeautifulSoup.
Второй шаг — сопоставление кампаний с постами. Названия кампаний в Директе содержали номер поста (например, yandex_tgchannel_post-544_subscribe_rus), а две видеокампании были привязаны к конкретному посту вручную по данным клиента. ИИ извлёк номера через регулярные выражения и соединил таблицы.
Третий шаг — объединение трёх таблиц по дате и построение итогового датафрейма, из которого уже считались метрики и строились графики.
Excel справился бы с табличной частью, но не с парсингом HTML-экспорта Telegram и не с гибким сопоставлением разноформатных данных. ИИ позволяет за один диалог пройти путь от «вот три файла» до «вот готовый отчёт» — включая нетипичные задачи вроде извлечения реакций из HTML.
Результаты по кампаниям
В анализ вошли четыре рекламируемых поста и пять кампаний — потому что один пост продвигался сразу двумя форматами (видеореклама в Яндексе).
| Пост | Тип рекламы | Бюджет, руб. | Показы | Клики | CTR |
|---|---|---|---|---|---|
| Пост А | Видео (2 кампании) | 121 484 | 12 819 717 | 40 123 | 0,31% |
| Пост Б | TG-канал | 54 601 | 133 972 | 21 279 | 15,88% |
| Пост В | TG-канал | 31 298 | 547 946 | 32 024 | 5,84% |
| Пост Г | TG-канал | 20 222 | 103 955 | 9 008 | 8,67% |
Первое, что бросается в глаза: видеореклама и TG-кампании — принципиально разные инструменты по охвату и CTR. Видео дало 12,8 млн показов при CTR 0,31%, а TG-кампании — в 30–100 раз меньший охват, но CTR от 6% до 16%. Это разные цели и разная аудитория.
Пост В потратил 31 298 руб. и набрал меньше всего реакций из рекламируемых постов. При этом похожий по тематике Пост Б с бюджетом в 1,7 раза больше дал в 8 раз больше отклика. Вывод: дело не в бюджете, а в соответствии темы поста ожиданиям аудитории.
Влияние рекламы на охваты и реакции
Прямых данных о просмотрах постов в экспорте Telegram нет — эта метрика доступна только в TGStat или через Bot API. Поэтому в качестве косвенного показателя охвата использовали суммарное количество реакций на каждый пост.
Мы разделили все посты за период на две группы: рекламируемые (4 поста с активными кампаниями) и органические (21 пост без рекламного продвижения).
Разница существенная: рекламируемые посты в среднем получают +155% реакций по сравнению с органическими. Но здесь важно сделать оговорку.
Высокие реакции на рекламируемых постах — не обязательно заслуга рекламы. Клиент, скорее всего, выбирал для продвижения свои лучшие материалы.
— Методологическое ограничение анализа
Пост А (видеореклама) набрал рекордное количество реакций за весь период — и это пост на актуальную и эмоционально вовлекающую тему. Вполне вероятно, что он набрал бы высокие реакции и без рекламы. Чтобы точно измерить вклад рекламы, нужен A/B-тест: два похожих поста, один из которых не продвигается.
Реклама в Яндексе увеличивает трафик на пост. Люди переходят по рекламе и оставляют реакции — это видно по корреляции дней активной рекламы с повышенным числом реакций.
Что нельзя утверждать без A/B-теста: насколько именно реклама добавляет реакции сверх того, что пост набрал бы органически.
Клики vs подписчики: неочевидный вывод
Второй ключевой вопрос: конвертируется ли рекламный трафик в новых подписчиков канала? Мы совместили два ряда данных — ежедневные клики из рекламы и ежедневный прирост/отток подписчиков.
График показывает отсутствие корреляции. Пики кликов не совпадают с пиками притока подписчиков. Более того — крупнейший всплеск кликов (видеокампания в начале января) пришёлся на период, когда канал фактически терял подписчиков или стоял на месте. Рост числа подписчиков с ~23 000 до ~26 000 произошёл именно в первой половине января — но это объясняется не нашей рекламой постов, а параллельными кампаниями клиента на набор аудитории.
Почему так происходит?
Реклама конкретного поста в Telegram работает иначе, чем реклама самого канала. Пользователь видит рекламу → переходит на пост → читает → уходит. Чтобы он подписался, нужен дополнительный шаг: пост должен быть настолько ценным, что читатель захочет видеть следующие. На практике это случается редко — особенно если пост выглядит как завершённый материал, а не как «часть сериала».
Мы не располагали данными о прямых кампаниях на подписчиков (если они велись). Поэтому точно сказать, что реклама постов снижала подписки, нельзя — мы видим лишь отсутствие положительной корреляции. Для точного ответа нужна UTM-разметка ссылок.
Выводы и рекомендации
Вот что аналитика показала по этому проекту:
- Реклама постов увеличивает охват (реакции +155% vs органика), но это косвенная метрика — для точных данных нужен доступ к просмотрам через TGStat или API.
- Видеореклама и TG-кампании — разные инструменты с разными целями. Видео — для широкого охвата (CTR 0,3%, 12 млн показов), TG — для вовлечения (CTR 6–16%).
- Реклама постов не конвертирует в подписчиков — пики кликов не совпадают с приростом аудитории. Для роста канала нужны отдельные кампании с правильным CTA.
- Тема поста важнее бюджета — похожий по затратам пост дал в 8 раз меньше реакций из-за несовпадения темы с интересами аудитории.
- ИИ-аналитика позволила за один диалог пройти от трёх разноформатных файлов до полного отчёта с графиками, сопоставить данные и найти неочевидные паттерны.
Нужен похожий анализ для вашего канала?
Провожу аналитику Telegram-каналов и рекламных кампаний с помощью ИИ — быстро, без сложных BI-инструментов и с понятными выводами.
Обсудить проект →