Как я автоматизировал поиск минус-слов в Директе с помощью Python

Продолжаю рассказывать как ИИ помогает в жизни. В данном случае я доработал скрипт с помощью Cursor, который писал 5 лет назад.

Когда ты ведёшь десятки рекламных кампаний, даже рутинная задача типа минусовки может начать раздражать.

Лет пять назад я работал на проекте Яндекс.Здоровье. Мне нужно было быстро разбирать отчёты, чтобы понять, какие слова в поисковых фразах тянут кампанию вниз. Раньше это выглядело так: выгрузка из Директа → фильтрация фраз с плохими метриками → поиск закономерностей глазами. И вот ты уже часами скроллишь CSV и сходишь с ума.

В какой-то момент я начал изучать Python — и решил, что хватит страдать. Сделал скрипт, который:

— берёт выгрузку из Мастера отчётов, — лемматизирует фразы (приводит слова к начальной форме), — считает, насколько каждое слово влияет на конверсию и CPA, — формирует CSV-отчёт, который сразу можно загрузить в шаблон Excel.

Внутри Excel — сводная таблица. Сразу видно, какие слова тянут вниз, а какие, наоборот, помогают. А если данных мало — выручает minCPA: он показывает, насколько плохо может сработать слово с 80% уверенностью. Это помогает понять, как слово поведёт себя, когда данных станет больше.

До скрипта один такой разбор занимал 2–3 часа. Теперь — меньше 10 минут. Стало проще ориентироваться в данных — без необходимости просматривать каждую поисковую фразу.

Ну а теперь бонус: я подготовил инструкцию и сам файл, который берёт отчёт из Мастера отчётов Яндекс.Директа, лемматизирует фразы и раскладывает слова по строкам.

Для Windows — исполняемый .exe, для Linux и Mac — скрипт на Python3. Пользуйся сам и делись с коллегами, если поможет:

→ Инструкция по созданию лемма-отчёта (упрощение минусации)