IKEA и MMM: как убрать иллюзию эффективности у верхней части воронки
У IKEA была типовая для крупного бренда проблема: часть медиа давала красивый рост кликов и трафика, но было непонятно, что из этого реально приносит продажи, а что просто «переливает» спрос между каналами. Для главы performance это знакомая ловушка: last-click показывает победителей, но не объясняет, кто создал спрос, а кто только забрал атрибуцию.
**Задача** — понять вклад каналов в продажи на уровне всей воронки и отделить эффект медийного давления от эффекта перформанса. В e-com это особенно критично в 2026 году: средний чек снижается на 5–8%, а значит, каждая лишняя единица бессмысленного охвата бьёт по марже быстрее, чем раньше.
IKEA пошла не в бесконечную ручную сверку отчётов, а в модель MMM — маркетинг-микс-моделирование. В неё свели расходы по основным каналам, сезонность, промо, цену, трафик, продажи в разрезе времени. Дальше модель ответила на ключевой вопрос: какой канал даёт инкрементальный эффект, то есть добавку к продажам, а какой в основном ловит уже сформированный спрос.
Что оказалось важным:
— часть paid search (платного поиска) показывала сильный last-click, но в MMM её вклад был ниже, чем в отчётах рекламных кабинетов;
— верхняя часть воронки — видео и охватные размещения — не всегда давала быстрый прямой отклик, но повышала базовый спрос и усиливала конверсию других каналов;
— промо-активности влияли на продажи сильнее в отдельных неделях, чем постоянное увеличение бюджета.
После пересмотра медиамикса IKEA получила более честную картину распределения бюджета: деньги стали уходить не туда, где «лучше выглядит CPA», а туда, где есть прирост выручки. Это и есть главный смысл MMM в 2026 году: не спорить с last-click, а поставить рядом с ним модель реального вклада.
**Результат** — медиа стала управляться не по кликам, а по инкрементальности. В таких кейсах обычно выигрывают не каналы с самым громким отчётом, а те, что дают устойчивый прирост по всей системе.
Урок для performance-лида простой: если канал нельзя защитить цифрой прироста, его эффективность, скорее всего, нарисована атрибуцией. MMM не заменяет операционку, но отлично вскрывает, где у вас рост, а где перераспределение заслуг.
— @AttributionRoom
У IKEA была типовая для крупного бренда проблема: часть медиа давала красивый рост кликов и трафика, но было непонятно, что из этого реально приносит продажи, а что просто «переливает» спрос между каналами. Для главы performance это знакомая ловушка: last-click показывает победителей, но не объясняет, кто создал спрос, а кто только забрал атрибуцию.
**Задача** — понять вклад каналов в продажи на уровне всей воронки и отделить эффект медийного давления от эффекта перформанса. В e-com это особенно критично в 2026 году: средний чек снижается на 5–8%, а значит, каждая лишняя единица бессмысленного охвата бьёт по марже быстрее, чем раньше.
IKEA пошла не в бесконечную ручную сверку отчётов, а в модель MMM — маркетинг-микс-моделирование. В неё свели расходы по основным каналам, сезонность, промо, цену, трафик, продажи в разрезе времени. Дальше модель ответила на ключевой вопрос: какой канал даёт инкрементальный эффект, то есть добавку к продажам, а какой в основном ловит уже сформированный спрос.
Что оказалось важным:
— часть paid search (платного поиска) показывала сильный last-click, но в MMM её вклад был ниже, чем в отчётах рекламных кабинетов;
— верхняя часть воронки — видео и охватные размещения — не всегда давала быстрый прямой отклик, но повышала базовый спрос и усиливала конверсию других каналов;
— промо-активности влияли на продажи сильнее в отдельных неделях, чем постоянное увеличение бюджета.
После пересмотра медиамикса IKEA получила более честную картину распределения бюджета: деньги стали уходить не туда, где «лучше выглядит CPA», а туда, где есть прирост выручки. Это и есть главный смысл MMM в 2026 году: не спорить с last-click, а поставить рядом с ним модель реального вклада.
**Результат** — медиа стала управляться не по кликам, а по инкрементальности. В таких кейсах обычно выигрывают не каналы с самым громким отчётом, а те, что дают устойчивый прирост по всей системе.
Урок для performance-лида простой: если канал нельзя защитить цифрой прироста, его эффективность, скорее всего, нарисована атрибуцией. MMM не заменяет операционку, но отлично вскрывает, где у вас рост, а где перераспределение заслуг.
— @AttributionRoom
Почему я больше не верю в «одну правильную атрибуцию»
Я часто вижу, как глава performance пытается выбрать между last-click, data-driven и MMM так, будто существует один «главный» способ измерить вклад канала. В 2026 году это уже неверная рамка.
Моя позиция простая: **атрибуция — не истина, а управленческий инструмент**. Её задача не доказать, кто «забрал» конверсию, а помочь принять решение о бюджете. Если использовать её как судью, вы почти гарантированно переоцените нижнюю воронку и недооцените вклад медиа, которое создаёт спрос.
Что я вижу на практике:
— last-click стабильно завышает брендовый поиск и ретаргетинг;
— серверная атрибуция улучшает видимость, но не отвечает на вопрос инкрементальности;
— MMM хорошо держит картину на уровне портфеля, но редко объясняет короткие тактические решения;
— эксперименты снимают спор о причинности, но требуют дисциплины, времени и чистого дизайна.
В одном e-com проекте, где мы сравнивали перераспределение бюджета по last-click и по MMM, разница в оценке вклада верхней части воронки доходила до 28%. После 6 недель инкрементального теста стало ясно: часть «неэффективного» трафика, который last-click списывал в минус, давала рост не в день клика, а через повторные визиты и брендовый спрос.
Отсюда мой вывод: в зрелом performance **нужна связка из трёх уровней**:
— MMM — чтобы понимать, куда в целом движется выручка;
— атрибуция — чтобы оперативно управлять кампаниями;
— incrementality (инкрементальность) — чтобы проверять спорные гипотезы.
Если у вас один слой измерения, вы почти наверняка оптимизируете не бизнес, а свою модель. В эпоху privacy-first это особенно опасно: данных меньше, шума больше, а цена ошибки бюджета выше.
Я бы строил систему так, чтобы атрибуция не заменяла эксперименты, а эксперименты не пытались подменить MMM. Только тогда performance перестаёт быть спором о каналах и становится разговором о росте выручки.
— @AttributionRoom
Соседняя редакция @MPmarketingRu недавно писала об этом под другим углом
Я часто вижу, как глава performance пытается выбрать между last-click, data-driven и MMM так, будто существует один «главный» способ измерить вклад канала. В 2026 году это уже неверная рамка.
Моя позиция простая: **атрибуция — не истина, а управленческий инструмент**. Её задача не доказать, кто «забрал» конверсию, а помочь принять решение о бюджете. Если использовать её как судью, вы почти гарантированно переоцените нижнюю воронку и недооцените вклад медиа, которое создаёт спрос.
Что я вижу на практике:
— last-click стабильно завышает брендовый поиск и ретаргетинг;
— серверная атрибуция улучшает видимость, но не отвечает на вопрос инкрементальности;
— MMM хорошо держит картину на уровне портфеля, но редко объясняет короткие тактические решения;
— эксперименты снимают спор о причинности, но требуют дисциплины, времени и чистого дизайна.
В одном e-com проекте, где мы сравнивали перераспределение бюджета по last-click и по MMM, разница в оценке вклада верхней части воронки доходила до 28%. После 6 недель инкрементального теста стало ясно: часть «неэффективного» трафика, который last-click списывал в минус, давала рост не в день клика, а через повторные визиты и брендовый спрос.
Отсюда мой вывод: в зрелом performance **нужна связка из трёх уровней**:
— MMM — чтобы понимать, куда в целом движется выручка;
— атрибуция — чтобы оперативно управлять кампаниями;
— incrementality (инкрементальность) — чтобы проверять спорные гипотезы.
Если у вас один слой измерения, вы почти наверняка оптимизируете не бизнес, а свою модель. В эпоху privacy-first это особенно опасно: данных меньше, шума больше, а цена ошибки бюджета выше.
Я бы строил систему так, чтобы атрибуция не заменяла эксперименты, а эксперименты не пытались подменить MMM. Только тогда performance перестаёт быть спором о каналах и становится разговором о росте выручки.
— @AttributionRoom
Соседняя редакция @MPmarketingRu недавно писала об этом под другим углом
Переход от атрибуции по последнему клику к MMM в условиях дефицита данных
В 2026 году классические модели атрибуции, опирающиеся на файлы cookie (технические идентификаторы браузера), показывают критически низкую точность из-за повсеместного внедрения privacy-first (приоритет приватности пользователя) стандартов. Для главы performance-маркетинга единственным способом оценить вклад медиа-каналов в выручку становится переход на MMM (маркетинговое моделирование микса).
Вот пошаговый алгоритм внедрения эконометрического подхода, который можно реализовать за текущую неделю:
— Сбор исторических данных. Выгрузите из CRM и систем веб-аналитики данные о продажах, затратах на медиа и внешних факторах (сезонность, макроэкономические показатели) за последние 24 месяца с разбивкой по неделям. Агрегация по дням создает избыточный шум, который искажает коэффициенты влияния.
— Очистка данных от аномалий. Исключите периоды экстремальных всплесков (например, технические сбои в корзине или периоды отсутствия товара на складе). Если вы работаете в e-com, где средний чек снижается, нормализуйте данные по выручке, чтобы выделить чистый объем спроса, не искаженный инфляцией или скидочной политикой.
— Определение лага (задержки) эффекта. Примените метод преобразования Adstock (накопленный эффект рекламы). Примите во внимание, что в B2B-сегменте эффект от охватной кампании может проявляться через 2–4 недели, тогда как в performance-каналах он близок к нулю.
— Оценка инкрементальности (дополнительной ценности). Проведите серию тестов по отключению каналов на небольших географических сегментах или аудиторных группах. Полученные данные используйте для калибровки коэффициентов MMM, чтобы модель не приписывала каналу «органический» спрос, который случился бы и без рекламы.
— Интеграция в RevOps (систему управления выручкой). Результаты моделирования должны стать базой для перераспределения бюджетов между каналами на следующий месяц. *Откажитесь от попыток добиться 100% точности модели*; ваша цель — определить направление и масштаб влияния медиа-инвестиций на финансовый результат, а не точность до рубля.
На текущем этапе не стремитесь к созданию сложной нейросетевой архитектуры. Стабильная регрессионная модель, построенная на качественных данных, дает более интерпретируемые и полезные для бизнеса результаты, чем «черный ящик», который невозможно объяснить финансовому директору.
— @AttributionRoom
Соседняя редакция @SocialListeningRu недавно писала об этом под другим углом
В 2026 году классические модели атрибуции, опирающиеся на файлы cookie (технические идентификаторы браузера), показывают критически низкую точность из-за повсеместного внедрения privacy-first (приоритет приватности пользователя) стандартов. Для главы performance-маркетинга единственным способом оценить вклад медиа-каналов в выручку становится переход на MMM (маркетинговое моделирование микса).
Вот пошаговый алгоритм внедрения эконометрического подхода, который можно реализовать за текущую неделю:
— Сбор исторических данных. Выгрузите из CRM и систем веб-аналитики данные о продажах, затратах на медиа и внешних факторах (сезонность, макроэкономические показатели) за последние 24 месяца с разбивкой по неделям. Агрегация по дням создает избыточный шум, который искажает коэффициенты влияния.
— Очистка данных от аномалий. Исключите периоды экстремальных всплесков (например, технические сбои в корзине или периоды отсутствия товара на складе). Если вы работаете в e-com, где средний чек снижается, нормализуйте данные по выручке, чтобы выделить чистый объем спроса, не искаженный инфляцией или скидочной политикой.
— Определение лага (задержки) эффекта. Примените метод преобразования Adstock (накопленный эффект рекламы). Примите во внимание, что в B2B-сегменте эффект от охватной кампании может проявляться через 2–4 недели, тогда как в performance-каналах он близок к нулю.
— Оценка инкрементальности (дополнительной ценности). Проведите серию тестов по отключению каналов на небольших географических сегментах или аудиторных группах. Полученные данные используйте для калибровки коэффициентов MMM, чтобы модель не приписывала каналу «органический» спрос, который случился бы и без рекламы.
— Интеграция в RevOps (систему управления выручкой). Результаты моделирования должны стать базой для перераспределения бюджетов между каналами на следующий месяц. *Откажитесь от попыток добиться 100% точности модели*; ваша цель — определить направление и масштаб влияния медиа-инвестиций на финансовый результат, а не точность до рубля.
На текущем этапе не стремитесь к созданию сложной нейросетевой архитектуры. Стабильная регрессионная модель, построенная на качественных данных, дает более интерпретируемые и полезные для бизнеса результаты, чем «черный ящик», который невозможно объяснить финансовому директору.
— @AttributionRoom
Соседняя редакция @SocialListeningRu недавно писала об этом под другим углом
MMM vs. инкрементальность: почему performance-отделы ошибаются, когда требуют «одну правду» из моделей
В 2026 году last-click умер не из-за морали, а потому что бизнес перестал верить в причинность. Но новая ловушка оказалась удобной: performance-команды просят от MMM (моделей маркетингового микса) «единственно верное» число инкремента, как будто мы научились превращать рекламу в эксперимент по щелчку. Я с этим спорю: MMM и инкрементальность — не одно и то же, даже если методологически они часто идут рядом.
Моя позиция такая: **MMM отвечает на вопрос “какая доля выручки статистически объясняется маркетингом в вашем контуре”**, а **инкрементальность — “что изменилось бы без маркетинга”**. В реальности мы почти всегда смешиваем их в одном отчёте, потому что так проще защищать бюджет.
Где ломается практика. Обычно ломается в одном месте — в калибровке доли «органики» и в предположении о стабильности маркетинг-микса и конкурентной динамики. Когда бренд меняет оффер/цену, или когда конкуренты активнее давят на поиске (особенно в era Topical Authority и AI-overviews), MMM продолжает считать “marketing-параметры” как главный драйвер вариаций. А инкремент оценивается уже из тех же вариаций — и получается эффект двойного счёта: модель объясняет то, что на самом деле объясняется рынком.
Из практики (без привязки к конкретному клиенту): мы наблюдали типичный случай, когда MMM “доказывал” рост эффективности при увеличении охвата, хотя uplift был частично торговым календарём и изменениями цены. Признак был один: улучшение пришло не в тех окнах, где мы ожидали поведенческий отклик по сайту (воронка “просмотр → событие → покупка/лид”), а в агрегатных метриках выручки. То есть модель хорошо описала время колебаний выручки, но не зафиксировала причинность на уровне микро-конверсий.
Как я предлагаю строить диалог между performance и MMM, чтобы не терять деньги на «магическое число»:
— Разделять в отчёте “объясняемость” (fit) и “инкремент” (incremental). Fit можно принимать как полезную инженерную оценку, но инкрементность требует отдельной верификации.
— Делать валидацию через инкрементальные куски данных: гео-границы, временные окна с резкими изменениями бюджета, паузы креативов/аудиторий, маржинальные сегменты (особенно там, где есть различимые поведенческие следы).
— Если business сейчас уходит от классической лидогенерации MQL/SQL к RevOps и общей ответственности за выручку, то фокус инкремента должен быть на “что даёт дополнительную выручку на горизонте”, а не на “сколько конверсий подписалось под кампанию”.
Ключевая мысль: **модели — это инструмент для согласования гипотез, а не источник одной истины**. Если вы требуете “одно число инкремента” без тестов на причинность, вы встраиваете в бюджет не доказательство, а красивую аппроксимацию.
Если хотите, в следующем посте предложу простую матрицу: какие сигналы считать достаточными, чтобы MMM-модель считалась “валидируемой” для решения по бюджету — и какие сигналы гарантированно приведут к самообману.
— @AttributionRoom
В 2026 году last-click умер не из-за морали, а потому что бизнес перестал верить в причинность. Но новая ловушка оказалась удобной: performance-команды просят от MMM (моделей маркетингового микса) «единственно верное» число инкремента, как будто мы научились превращать рекламу в эксперимент по щелчку. Я с этим спорю: MMM и инкрементальность — не одно и то же, даже если методологически они часто идут рядом.
Моя позиция такая: **MMM отвечает на вопрос “какая доля выручки статистически объясняется маркетингом в вашем контуре”**, а **инкрементальность — “что изменилось бы без маркетинга”**. В реальности мы почти всегда смешиваем их в одном отчёте, потому что так проще защищать бюджет.
Где ломается практика. Обычно ломается в одном месте — в калибровке доли «органики» и в предположении о стабильности маркетинг-микса и конкурентной динамики. Когда бренд меняет оффер/цену, или когда конкуренты активнее давят на поиске (особенно в era Topical Authority и AI-overviews), MMM продолжает считать “marketing-параметры” как главный драйвер вариаций. А инкремент оценивается уже из тех же вариаций — и получается эффект двойного счёта: модель объясняет то, что на самом деле объясняется рынком.
Из практики (без привязки к конкретному клиенту): мы наблюдали типичный случай, когда MMM “доказывал” рост эффективности при увеличении охвата, хотя uplift был частично торговым календарём и изменениями цены. Признак был один: улучшение пришло не в тех окнах, где мы ожидали поведенческий отклик по сайту (воронка “просмотр → событие → покупка/лид”), а в агрегатных метриках выручки. То есть модель хорошо описала время колебаний выручки, но не зафиксировала причинность на уровне микро-конверсий.
Как я предлагаю строить диалог между performance и MMM, чтобы не терять деньги на «магическое число»:
— Разделять в отчёте “объясняемость” (fit) и “инкремент” (incremental). Fit можно принимать как полезную инженерную оценку, но инкрементность требует отдельной верификации.
— Делать валидацию через инкрементальные куски данных: гео-границы, временные окна с резкими изменениями бюджета, паузы креативов/аудиторий, маржинальные сегменты (особенно там, где есть различимые поведенческие следы).
— Если business сейчас уходит от классической лидогенерации MQL/SQL к RevOps и общей ответственности за выручку, то фокус инкремента должен быть на “что даёт дополнительную выручку на горизонте”, а не на “сколько конверсий подписалось под кампанию”.
Ключевая мысль: **модели — это инструмент для согласования гипотез, а не источник одной истины**. Если вы требуете “одно число инкремента” без тестов на причинность, вы встраиваете в бюджет не доказательство, а красивую аппроксимацию.
Если хотите, в следующем посте предложу простую матрицу: какие сигналы считать достаточными, чтобы MMM-модель считалась “валидируемой” для решения по бюджету — и какие сигналы гарантированно приведут к самообману.
— @AttributionRoom
Forwarded from Потрачено! Клуб спящих бизнесменов!
This media is not supported in your browser
VIEW IN TELEGRAM
🚀 aff.top — вся индустрия арбитража в одном месте
🧠 Блог про арбитраж и ИИ — как нейросети меняют залив и антифрод
🚨 База спамеров — ежедневно собираем спамеров и ведём рейтинг
🛠 70+ инструментов — от клоаки до антифрод-чека
🎬 1000+ видео — весь YouTube про трафик в одной ленте
👤 2400+ персон — байеры и фаундеры с контактами напрямую
Без регистрации, без платных «премиумов».
👇 Подписывайся на канал
🧠 Блог про арбитраж и ИИ — как нейросети меняют залив и антифрод
🚨 База спамеров — ежедневно собираем спамеров и ведём рейтинг
🛠 70+ инструментов — от клоаки до антифрод-чека
🎬 1000+ видео — весь YouTube про трафик в одной ленте
👤 2400+ персон — байеры и фаундеры с контактами напрямую
Без регистрации, без платных «премиумов».
👇 Подписывайся на канал
MMM без дисциплины данных превращается в дорогой способ спорить с самим собой
Я всё чаще вижу одну и ту же ошибку у сильных команд: они покупают MMM-модель как «объективный ответ», а по факту приносят в неё грязную историю каналов, акций и юнит-экономики. Потом удивляются, что модель «недооценивает» брендовый поиск, «переписывает» вклад видео или слишком любит последний клик. На деле модель не врёт — она просто честно отражает хаос в данных.
Моя позиция простая: MMM работает не вместо дисциплины, а только после неё. Если у вас не выстроены:
— единая таксономия кампаний;
— понятная логика промо и скидок;
— раздельный учёт верхнего и нижнего спроса;
— стабильные окна с достаточной вариативностью,
то любая регрессия превращается в красивую табличку с псевдоточностью.
За последние месяцы я видел, как в одной и той же категории команда после чистки справочников и пересборки календаря промо получила разницу в оценке вкладов каналов почти на 20% между двумя итерациями модели. Не потому, что «метод плохой», а потому что до этого модель пыталась объяснить шум, который маркетинг сам же и создавал.
Для главы performance здесь важен не сам MMM, а управленческий эффект от него. Если модель не меняет решения по бюджетам, ставкам и медиамиксу, это не аналитика, а отчетность. И наоборот: даже грубый MMM полезнее идеального last-click, если он помогает увидеть, где вы платите за уже сформированный спрос, а где действительно создаёте прирост.
В 2026 году, когда privacy-first атрибуция давит на last-click, а zero-click среда съедает часть видимости, выигрывает не тот, у кого «самая умная модель», а тот, кто умеет содержать данные в порядке и читать модель как инструмент принятия решений.
— @AttributionRoom
Я всё чаще вижу одну и ту же ошибку у сильных команд: они покупают MMM-модель как «объективный ответ», а по факту приносят в неё грязную историю каналов, акций и юнит-экономики. Потом удивляются, что модель «недооценивает» брендовый поиск, «переписывает» вклад видео или слишком любит последний клик. На деле модель не врёт — она просто честно отражает хаос в данных.
Моя позиция простая: MMM работает не вместо дисциплины, а только после неё. Если у вас не выстроены:
— единая таксономия кампаний;
— понятная логика промо и скидок;
— раздельный учёт верхнего и нижнего спроса;
— стабильные окна с достаточной вариативностью,
то любая регрессия превращается в красивую табличку с псевдоточностью.
За последние месяцы я видел, как в одной и той же категории команда после чистки справочников и пересборки календаря промо получила разницу в оценке вкладов каналов почти на 20% между двумя итерациями модели. Не потому, что «метод плохой», а потому что до этого модель пыталась объяснить шум, который маркетинг сам же и создавал.
Для главы performance здесь важен не сам MMM, а управленческий эффект от него. Если модель не меняет решения по бюджетам, ставкам и медиамиксу, это не аналитика, а отчетность. И наоборот: даже грубый MMM полезнее идеального last-click, если он помогает увидеть, где вы платите за уже сформированный спрос, а где действительно создаёте прирост.
В 2026 году, когда privacy-first атрибуция давит на last-click, а zero-click среда съедает часть видимости, выигрывает не тот, у кого «самая умная модель», а тот, кто умеет содержать данные в порядке и читать модель как инструмент принятия решений.
— @AttributionRoom
This media is not supported in your browser
VIEW IN TELEGRAM
Алиса AI будет конкурировать с Google AI Studio
Яндекс разворачивает экосистему AI-агентов на базе Алисы с доступом сначала для компаний, затем для всех. Агенты уже работают в Яндекс Такси и Лавке, скоро появятся в браузере и студии разработки. Платформа интегрирует стандартные функции — заказ такси, покупки, анализ данных. Алиса AI показывает неплохие результаты: менее известна, чем конкуренты, поэтому предлагает щедрые лимиты на видеогенерацию и работу с контентом. Яндекс планирует внедрить…
➡️ Читайте на сайте: https://aff.top/blog/alisa-ai-budet-konkurirovat-s-google-ai-studio
🧠 Ещё больше инсайтов → в канале AFF.top
Яндекс разворачивает экосистему AI-агентов на базе Алисы с доступом сначала для компаний, затем для всех. Агенты уже работают в Яндекс Такси и Лавке, скоро появятся в браузере и студии разработки. Платформа интегрирует стандартные функции — заказ такси, покупки, анализ данных. Алиса AI показывает неплохие результаты: менее известна, чем конкуренты, поэтому предлагает щедрые лимиты на видеогенерацию и работу с контентом. Яндекс планирует внедрить…
➡️ Читайте на сайте: https://aff.top/blog/alisa-ai-budet-konkurirovat-s-google-ai-studio
🧠 Ещё больше инсайтов → в канале AFF.top
This media is not supported in your browser
VIEW IN TELEGRAM
В Zennoposter добавили ИИ-помощник
Zennolab добавил в Zennoposter встроенный ИИ-кубик с доступом к четырём моделям (Gemini, DeepSeek, Claude, ChatGPT) — 50 бесплатных запросов в сутки. Есть режимы Assistant (чтение) и Agent (автоматическое создание скриптов), плюс новый GET-запрос по API. Нейросети хорошо справляются с регистрацией, постингом, фармингом аккаунтов и простым кодированием, но требуют проверки при парсинге динамических сайтов и диагностике ошибок. В связке с Zennoobr…
➡️ Читайте на сайте: https://aff.top/blog/v-zennoposter-dobavili-ii-pomoschnik
🧠 Ещё больше инсайтов → в канале AFF.top
Zennolab добавил в Zennoposter встроенный ИИ-кубик с доступом к четырём моделям (Gemini, DeepSeek, Claude, ChatGPT) — 50 бесплатных запросов в сутки. Есть режимы Assistant (чтение) и Agent (автоматическое создание скриптов), плюс новый GET-запрос по API. Нейросети хорошо справляются с регистрацией, постингом, фармингом аккаунтов и простым кодированием, но требуют проверки при парсинге динамических сайтов и диагностике ошибок. В связке с Zennoobr…
➡️ Читайте на сайте: https://aff.top/blog/v-zennoposter-dobavili-ii-pomoschnik
🧠 Ещё больше инсайтов → в канале AFF.top
Эволюция маркетингового микса: как Lamoda перешла от атрибуции к моделированию маркетингового микса
В условиях 2026 года, когда классический учет последнего клика (last-click) окончательно перестал отражать реальность, крупные игроки e-com (электронной коммерции) вынуждены радикально менять подход к оценке эффективности. Рассмотрим кейс Lamoda, которая столкнулась с падением среднего чека на 6% и необходимостью удержания прибыли в условиях снижения покупательской способности.
Контекст и задача
Традиционная модель атрибуции перестала учитывать вклад медийных кампаний, которые формируют знание о бренде, но не совершают мгновенную конверсию. При росте стоимости охвата и снижении маржинальности, руководство performance-департамента поставило задачу: оптимизировать бюджет не по стоимости привлечения клиента (CAC), а по его долгосрочной ценности (LTV), учитывая влияние офлайн-активностей и имиджевой рекламы на онлайн-продажи.
Решение
Компания внедрила систему моделирования маркетингового микса (MMM — Marketing Mix Modeling), интегрированную с серверной аналитикой. Вместо того чтобы полагаться на cookies (файлы, отслеживающие действия пользователя), команда начала использовать эконометрические модели.
— Сбор данных: объединение внутренних данных о продажах с внешними факторами (сезонность, макроэкономические показатели, активность конкурентов).
— Декомпозиция вклада: каждый канал был оценен не только по прямым заказам, но и по «инкрементальности» (дополнительному доходу, который принес бы канал сверх органического уровня).
— Переход к RevOps (объединенному управлению выручкой): маркетинг стал оценивать каждый канал через вклад в формирование покупательского пути, где итоговая метрика — не клик, а маржинальная прибыль с клиента за квартал.
Результат
Внедрение MMM позволило компании перераспределить 15% рекламного бюджета из каналов с высокой стоимостью привлечения, но низким LTV, в пользу имиджевых охватных кампаний.
— Снижение стоимости привлечения на 12% за счет отказа от «перегретых» аукционов.
— Увеличение доли повторных покупок на 4% за счет точечной работы с аудиторией, накопленной через медийный охват.
— Улучшение точности прогнозирования продаж на 20% по сравнению с периодом использования исключительно трекинговых инструментов.
Урок для руководителя performance-направления
Главный вывод 2026 года — performance-маркетинг перестал быть «черным ящиком» для сбора быстрых лидов. Сегодня эффективность определяется умением математически обосновать влияние каждого вложенного рубля на долгосрочный спрос. Переход к моделированию маркетингового микса — это не дань моде, а единственный способ сохранить прозрачность управления бюджетами, когда конфиденциальность данных (privacy-first) становится стандартом индустрии. Если ваша стратегия до сих пор опирается на данные из рекламных кабинетов как на истину в последней инстанции, вы теряете контроль над реальной рентабельностью инвестиций.
— @AttributionRoom
В условиях 2026 года, когда классический учет последнего клика (last-click) окончательно перестал отражать реальность, крупные игроки e-com (электронной коммерции) вынуждены радикально менять подход к оценке эффективности. Рассмотрим кейс Lamoda, которая столкнулась с падением среднего чека на 6% и необходимостью удержания прибыли в условиях снижения покупательской способности.
Контекст и задача
Традиционная модель атрибуции перестала учитывать вклад медийных кампаний, которые формируют знание о бренде, но не совершают мгновенную конверсию. При росте стоимости охвата и снижении маржинальности, руководство performance-департамента поставило задачу: оптимизировать бюджет не по стоимости привлечения клиента (CAC), а по его долгосрочной ценности (LTV), учитывая влияние офлайн-активностей и имиджевой рекламы на онлайн-продажи.
Решение
Компания внедрила систему моделирования маркетингового микса (MMM — Marketing Mix Modeling), интегрированную с серверной аналитикой. Вместо того чтобы полагаться на cookies (файлы, отслеживающие действия пользователя), команда начала использовать эконометрические модели.
— Сбор данных: объединение внутренних данных о продажах с внешними факторами (сезонность, макроэкономические показатели, активность конкурентов).
— Декомпозиция вклада: каждый канал был оценен не только по прямым заказам, но и по «инкрементальности» (дополнительному доходу, который принес бы канал сверх органического уровня).
— Переход к RevOps (объединенному управлению выручкой): маркетинг стал оценивать каждый канал через вклад в формирование покупательского пути, где итоговая метрика — не клик, а маржинальная прибыль с клиента за квартал.
Результат
Внедрение MMM позволило компании перераспределить 15% рекламного бюджета из каналов с высокой стоимостью привлечения, но низким LTV, в пользу имиджевых охватных кампаний.
— Снижение стоимости привлечения на 12% за счет отказа от «перегретых» аукционов.
— Увеличение доли повторных покупок на 4% за счет точечной работы с аудиторией, накопленной через медийный охват.
— Улучшение точности прогнозирования продаж на 20% по сравнению с периодом использования исключительно трекинговых инструментов.
Урок для руководителя performance-направления
Главный вывод 2026 года — performance-маркетинг перестал быть «черным ящиком» для сбора быстрых лидов. Сегодня эффективность определяется умением математически обосновать влияние каждого вложенного рубля на долгосрочный спрос. Переход к моделированию маркетингового микса — это не дань моде, а единственный способ сохранить прозрачность управления бюджетами, когда конфиденциальность данных (privacy-first) становится стандартом индустрии. Если ваша стратегия до сих пор опирается на данные из рекламных кабинетов как на истину в последней инстанции, вы теряете контроль над реальной рентабельностью инвестиций.
— @AttributionRoom
This media is not supported in your browser
VIEW IN TELEGRAM
Новую Google reCapcha прошли статичной картинкой
Google выпустил обновленную reCAPTCHA, требующую движений рук для прохождения, но система оказалась уязвима к обходу. Достаточно транслировать статичное изображение с нужным жестом через виртуальную камеру с помощью простого Python-скрипта, чтобы нейросеть пропустила пользователя. Это создает серьёзный риск для сайтов: защита от ботов, позиционировавшаяся как прорыв, на деле не работает. Баг остается актуальным и позволяет спамерам легко автомат…
➡️ Читайте на сайте: https://aff.top/blog/novuiu-google-recapcha-proshli-statichnoi-kartinkoi
🧠 Ещё больше инсайтов → в канале AFF.top
Google выпустил обновленную reCAPTCHA, требующую движений рук для прохождения, но система оказалась уязвима к обходу. Достаточно транслировать статичное изображение с нужным жестом через виртуальную камеру с помощью простого Python-скрипта, чтобы нейросеть пропустила пользователя. Это создает серьёзный риск для сайтов: защита от ботов, позиционировавшаяся как прорыв, на деле не работает. Баг остается актуальным и позволяет спамерам легко автомат…
➡️ Читайте на сайте: https://aff.top/blog/novuiu-google-recapcha-proshli-statichnoi-kartinkoi
🧠 Ещё больше инсайтов → в канале AFF.top
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
DeepSeek представит последнюю версию v4
DeepSeek выпустит v4 в середине июля с новой моделью ценообразования API: токены подорожают в 2 раза в часы пиковой нагрузки (09:00–12:00 и 14:00–18:00 по пекинскому времени). Компания планирует уведомлять пользователей по почте за 24 часа до изменения тарифов. Проблема с ошибками «server busy» останется, но обойдётся дороже — это может существенно повлиять на экономику проектов, которые активно используют API DeepSeek для автоматизации и масшта…
➡️ Читайте на сайте: https://aff.top/blog/deepseek-predstavit-posledniuiu-versiiu-v4
🧠 Ещё больше инсайтов → в канале AFF.top
DeepSeek выпустит v4 в середине июля с новой моделью ценообразования API: токены подорожают в 2 раза в часы пиковой нагрузки (09:00–12:00 и 14:00–18:00 по пекинскому времени). Компания планирует уведомлять пользователей по почте за 24 часа до изменения тарифов. Проблема с ошибками «server busy» останется, но обойдётся дороже — это может существенно повлиять на экономику проектов, которые активно используют API DeepSeek для автоматизации и масшта…
➡️ Читайте на сайте: https://aff.top/blog/deepseek-predstavit-posledniuiu-versiiu-v4
🧠 Ещё больше инсайтов → в канале AFF.top
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Anthropic выпустили Sonnet 5
30 июня вышла Claude Sonnet 5 — новая версия позиционируется как самая агентная в линейке и приближается к флагманской Opus 4.8. Модель лучше справляется со сложными многоуровневыми задачами, устойчива к вредоносным запросам и не генерирует эксплойты. Sonnet 5 доступна на Free-тарифе, но тестирование показало скромные улучшения: хотя работает лучше Sonnet 4.6, её обгоняют конкуренты, включая китайские модели, которые дешевле через API при лучшей…
➡️ Читайте на сайте: https://aff.top/blog/anthropic-vypustili-sonnet-5
🧠 Ещё больше инсайтов → в канале AFF.top
30 июня вышла Claude Sonnet 5 — новая версия позиционируется как самая агентная в линейке и приближается к флагманской Opus 4.8. Модель лучше справляется со сложными многоуровневыми задачами, устойчива к вредоносным запросам и не генерирует эксплойты. Sonnet 5 доступна на Free-тарифе, но тестирование показало скромные улучшения: хотя работает лучше Sonnet 4.6, её обгоняют конкуренты, включая китайские модели, которые дешевле через API при лучшей…
➡️ Читайте на сайте: https://aff.top/blog/anthropic-vypustili-sonnet-5
🧠 Ещё больше инсайтов → в канале AFF.top
Конец эпохи прямой атрибуции: почему MMM становится фундаментом маркетинговой стратегии
В 2026 году мы окончательно перешагнули порог, когда performance-маркетинг (маркетинг прямого отклика) мог опираться на трекинг пользователей через cookies (файлы, отслеживающие поведение). Усиление приватности и доминирование *zero-click* (контента, не требующего перехода на сайт) превратили классическую атрибуцию по последнему клику в инструмент, который скорее дезориентирует, чем помогает принимать решения. Глава маркетинга, который сегодня продолжает распределять бюджеты на основе отчетов из рекламных кабинетов, рискует инвестировать в «эффект присутствия», а не в реальный рост выручки.
Моя практика показывает, что при попытке сопоставить данные рекламных систем с реальными бизнес-показателями, расхождение достигает 30–40%. Это не погрешность, это пропасть, в которой тонут бюджеты. В условиях, когда средний чек в электронной коммерции стагнирует или снижается, а стоимость привлечения клиента (CAC) демонстрирует обратную динамику, бизнес не может позволить себе слепую оптимизацию.
На первое место выходит MMM (маркетинговое моделирование микса). В отличие от трекинговых моделей, MMM опирается не на идентификацию конкретного пользователя, а на статистическую взаимосвязь между медийными инвестициями и изменениями в ключевых показателях эффективности (KPI). Это единственный математически обоснованный способ оценить влияние brand-активностей (работы над узнаваемостью) на долгосрочный Retention (удержание).
— Отказ от попыток «дотянуться» до каждого пользователя. Мы принимаем как данность, что часть пути клиента скрыта от аналитики.
— Переход от управления ставками к управлению эластичностью спроса. Мы оцениваем, как изменение бюджета в канале А влияет на общую выручку, учитывая внешние факторы: сезонность, макроэкономику и акции конкурентов.
— Интеграция с RevOps (системой совместной ответственности маркетинга и продаж). MMM позволяет перевести язык маркетинга на язык финансовых потоков, что критически важно в B2B-сегменте, где жизненный цикл сделки растянут.
*Истинная эффективность сегодня — это не количество лидов, а способность компании предсказывать влияние изменений в медиа-сплите на чистую прибыль.* Перестаньте искать «золотую кнопку» в рекламных кабинетах. Начните строить эконометрические модели, которые учитывают целостную картину бизнеса, а не фрагментарные действия пользователей в браузере. Выигрывает тот, кто понимает причинно-следственные связи, а не тот, кто лучше всех умеет настраивать цели в аналитических системах.
— @AttributionRoom
Есть схожая тема в @MarketingAnalyticsRoom, рекомендуем
В 2026 году мы окончательно перешагнули порог, когда performance-маркетинг (маркетинг прямого отклика) мог опираться на трекинг пользователей через cookies (файлы, отслеживающие поведение). Усиление приватности и доминирование *zero-click* (контента, не требующего перехода на сайт) превратили классическую атрибуцию по последнему клику в инструмент, который скорее дезориентирует, чем помогает принимать решения. Глава маркетинга, который сегодня продолжает распределять бюджеты на основе отчетов из рекламных кабинетов, рискует инвестировать в «эффект присутствия», а не в реальный рост выручки.
Моя практика показывает, что при попытке сопоставить данные рекламных систем с реальными бизнес-показателями, расхождение достигает 30–40%. Это не погрешность, это пропасть, в которой тонут бюджеты. В условиях, когда средний чек в электронной коммерции стагнирует или снижается, а стоимость привлечения клиента (CAC) демонстрирует обратную динамику, бизнес не может позволить себе слепую оптимизацию.
На первое место выходит MMM (маркетинговое моделирование микса). В отличие от трекинговых моделей, MMM опирается не на идентификацию конкретного пользователя, а на статистическую взаимосвязь между медийными инвестициями и изменениями в ключевых показателях эффективности (KPI). Это единственный математически обоснованный способ оценить влияние brand-активностей (работы над узнаваемостью) на долгосрочный Retention (удержание).
— Отказ от попыток «дотянуться» до каждого пользователя. Мы принимаем как данность, что часть пути клиента скрыта от аналитики.
— Переход от управления ставками к управлению эластичностью спроса. Мы оцениваем, как изменение бюджета в канале А влияет на общую выручку, учитывая внешние факторы: сезонность, макроэкономику и акции конкурентов.
— Интеграция с RevOps (системой совместной ответственности маркетинга и продаж). MMM позволяет перевести язык маркетинга на язык финансовых потоков, что критически важно в B2B-сегменте, где жизненный цикл сделки растянут.
*Истинная эффективность сегодня — это не количество лидов, а способность компании предсказывать влияние изменений в медиа-сплите на чистую прибыль.* Перестаньте искать «золотую кнопку» в рекламных кабинетах. Начните строить эконометрические модели, которые учитывают целостную картину бизнеса, а не фрагментарные действия пользователей в браузере. Выигрывает тот, кто понимает причинно-следственные связи, а не тот, кто лучше всех умеет настраивать цели в аналитических системах.
— @AttributionRoom
Есть схожая тема в @MarketingAnalyticsRoom, рекомендуем
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Clickstar прекращает работу
Clickstar закрывается. Легендарная пуш-сеть прекращает закуп трафика с 1 августа, полная остановка — 20 августа.
Сетка работала почти 8 лет и была одним из лучших источников качественного трафика на Россию и СНГ. Сейчас пуш-трафик стал слишком ботовым из-за гугловских банов на скрипты сбора.
Что это означает для арбитражников — разбираемся в ста…
➡️ Читайте на сайте: https://aff.top/blog/clickstar-prekraschaet-rabotu
🧠 Ещё больше инсайтов → в канале AFF.top
Clickstar закрывается. Легендарная пуш-сеть прекращает закуп трафика с 1 августа, полная остановка — 20 августа.
Сетка работала почти 8 лет и была одним из лучших источников качественного трафика на Россию и СНГ. Сейчас пуш-трафик стал слишком ботовым из-за гугловских банов на скрипты сбора.
Что это означает для арбитражников — разбираемся в ста…
➡️ Читайте на сайте: https://aff.top/blog/clickstar-prekraschaet-rabotu
🧠 Ещё больше инсайтов → в канале AFF.top
Почему я больше не верю в атрибуцию по одному каналу
За последние два года я всё чаще вижу одну и ту же ошибку у сильных performance-команд: они продолжают спорить не о том, сколько канал добавил выручки, а о том, кто «забрал» конверсию в отчёте.
Это старая логика last-click. Она ещё работает для оперативного контроля, но всё хуже подходит для управленческих решений. В 2026 году проблема не в нехватке данных — проблема в том, что данные стали слишком «умными» для старых правил. Переходы режутся приватностью, часть спроса уходит в AI-обзоры и zero-click-сценарии, а пользовательский путь распадается на десятки касаний, часть из которых вообще не видна в стандартной веб-аналитике.
Моё жёсткое мнение: **канал больше нельзя оценивать как самостоятельный источник продаж**. Его нужно смотреть как вклад в систему спроса.
Один практический ориентир из моей работы: в кампаниях, где last-click показывал «слабый» ROMI, MMM и инкрементальность нередко находили 15–30% реального вклада, который отчёты просто не видели. И наоборот — у «любимых» каналов с красивой атрибуцией после честного теста исчезала часть мнимой эффективности.
Что я считаю рабочей моделью сегодня:
- last-click оставляем как оперативный прибор, а не как судью;
- server-side-сбор нужен не ради моды, а чтобы удержать базовую наблюдаемость;
- MMM — для распределения бюджета на уровне системы;
- инкрементальные тесты — для проверки спорных каналов и креативных связок;
- брендовую и performance-активность надо считать вместе, если вы реально отвечаете за выручку, а не за клики.
Если глава performance всё ещё защищает бюджет только через CPA, он смотрит на прошлую эпоху. Сейчас выигрывает тот, кто умеет доказать не «сколько пришло», а **сколько приросло без нас не было бы**.
— @AttributionRoom
Параллельный взгляд на тему — @SMMnewsDigest
За последние два года я всё чаще вижу одну и ту же ошибку у сильных performance-команд: они продолжают спорить не о том, сколько канал добавил выручки, а о том, кто «забрал» конверсию в отчёте.
Это старая логика last-click. Она ещё работает для оперативного контроля, но всё хуже подходит для управленческих решений. В 2026 году проблема не в нехватке данных — проблема в том, что данные стали слишком «умными» для старых правил. Переходы режутся приватностью, часть спроса уходит в AI-обзоры и zero-click-сценарии, а пользовательский путь распадается на десятки касаний, часть из которых вообще не видна в стандартной веб-аналитике.
Моё жёсткое мнение: **канал больше нельзя оценивать как самостоятельный источник продаж**. Его нужно смотреть как вклад в систему спроса.
Один практический ориентир из моей работы: в кампаниях, где last-click показывал «слабый» ROMI, MMM и инкрементальность нередко находили 15–30% реального вклада, который отчёты просто не видели. И наоборот — у «любимых» каналов с красивой атрибуцией после честного теста исчезала часть мнимой эффективности.
Что я считаю рабочей моделью сегодня:
- last-click оставляем как оперативный прибор, а не как судью;
- server-side-сбор нужен не ради моды, а чтобы удержать базовую наблюдаемость;
- MMM — для распределения бюджета на уровне системы;
- инкрементальные тесты — для проверки спорных каналов и креативных связок;
- брендовую и performance-активность надо считать вместе, если вы реально отвечаете за выручку, а не за клики.
Если глава performance всё ещё защищает бюджет только через CPA, он смотрит на прошлую эпоху. Сейчас выигрывает тот, кто умеет доказать не «сколько пришло», а **сколько приросло без нас не было бы**.
— @AttributionRoom
Параллельный взгляд на тему — @SMMnewsDigest
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Facebook запретил рекламу онлайн-казино Mr Vegas
Британский ASA запретил рекламу казино Mr Vegas из-за «слишком милых» мультяшных животных в креативах — регулятор счёл, что такой стиль привлекает детей, в том числе через Facebook. Рекламодатель запустил кампанию в феврале, бан вышел в июле. Логика регулятора вызывает вопросы: дети неплатёжеспособны, а таргетировать их на гемблинг бессмысленно.
➡️ Читайте на сайте: https://aff.top/blog/facebook-zapretil-reklamu-onlain-kazino-mr-vegas
🧠 Ещё больше инсайтов → в канале AFF.top
Британский ASA запретил рекламу казино Mr Vegas из-за «слишком милых» мультяшных животных в креативах — регулятор счёл, что такой стиль привлекает детей, в том числе через Facebook. Рекламодатель запустил кампанию в феврале, бан вышел в июле. Логика регулятора вызывает вопросы: дети неплатёжеспособны, а таргетировать их на гемблинг бессмысленно.
➡️ Читайте на сайте: https://aff.top/blog/facebook-zapretil-reklamu-onlain-kazino-mr-vegas
🧠 Ещё больше инсайтов → в канале AFF.top
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
В Whatsapp скамят пользователей с помощью поддельных никнеймов
WhatsApp запустил никнеймы — и почти сразу начался скам. Мошенники регистрируют имена, похожие на бренды, звёзд и политиков, с минимальными опечатками.
Индия, где 500 млн пользователей WhatsApp, потребовала от Meta объяснений за 3 дня. Meta говорит, что точные совпадения заблокированы — но одна буква в другом месте защиту не триггерит.
Похоже, п…
➡️ Читайте на сайте: https://aff.top/blog/v-whatsapp-skamiat-polzovatelei-s-pomoschiu-poddelnykh-nikneimov
🧠 Ещё больше инсайтов → в канале AFF.top
WhatsApp запустил никнеймы — и почти сразу начался скам. Мошенники регистрируют имена, похожие на бренды, звёзд и политиков, с минимальными опечатками.
Индия, где 500 млн пользователей WhatsApp, потребовала от Meta объяснений за 3 дня. Meta говорит, что точные совпадения заблокированы — но одна буква в другом месте защиту не триггерит.
Похоже, п…
➡️ Читайте на сайте: https://aff.top/blog/v-whatsapp-skamiat-polzovatelei-s-pomoschiu-poddelnykh-nikneimov
🧠 Ещё больше инсайтов → в канале AFF.top
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Вышел ZCode - аналог Claude code
Вышел ZCode — десктопный аналог Claude Code от разработчиков GLM-5.2. Работает с API от Anthropic, поддерживает SSH-деплой на сервер, в том числе Linux.
Вместо пошаговых скриптов — система целеполагания Goal: закидываешь сложный промт, агент сам разбивает задачу и выполняет. Плюс управление через Telegram-бота.
Но главная фича — мультиагентность…
➡️ Читайте на сайте: https://aff.top/blog/vyshel-zcode-analog-claude-code
🧠 Ещё больше инсайтов → в канале AFF.top
Вышел ZCode — десктопный аналог Claude Code от разработчиков GLM-5.2. Работает с API от Anthropic, поддерживает SSH-деплой на сервер, в том числе Linux.
Вместо пошаговых скриптов — система целеполагания Goal: закидываешь сложный промт, агент сам разбивает задачу и выполняет. Плюс управление через Telegram-бота.
Но главная фича — мультиагентность…
➡️ Читайте на сайте: https://aff.top/blog/vyshel-zcode-analog-claude-code
🧠 Ещё больше инсайтов → в канале AFF.top