IOS 27 будут блокировать за долги

Apple готовит в iOS 27 механизм блокировки iPhone при просрочке по лизингу: часть функций останется доступной, чтобы можно было оплатить долг. Для CPA и партнёрского маркетинга это сигнал, что финтех и рассрочка всё глубже вшиваются в экосистему бренда, а доступ к устройству может зависеть от статуса договора.

➡️ Читайте на сайте: https://aff.top/blog/ios-27-budut-blokirovat-za-dolgi

🧠 Ещё больше инсайтов → в канале AFF.top

Meta разрабатывает приложение для сочинения сказок

Meta тестирует AI-приложение для создания детских сказок: пользователь задаёт героя, мир и мораль, а нейросеть сама пишет текст, рисует иллюстрации и добавляет музыку. Это шаг к массовой генерации контента, где качество, персонализация и скорость важнее ручной работы — а для арбитража и CPA это ещё один инструмент, ускоряющий упаковку креативов и кейсов.

➡️ Читайте на сайте: https://aff.top/blog/meta-razrabatyvaet-prilozhenie-dlia-sochineniia-skazok

🧠 Ещё больше инсайтов → в канале AFF.top

Сегментация по ценности в BigQuery: как я перестал делить “лиды” и начал считать вклад в выручку

В 2026 я заметил простую вещь: маркетинговые сегменты, построенные вокруг “кто кликнул/оставил форму”, быстро становятся музейными экспонатами. В privacy-first мире и с ростом доли нулевых визитов (zero-click) мы всё равно собираем сигналы — но принимать решения по ним без связи с выручкой всё чаще превращается в угадайку.

Мой принцип сейчас такой: сегментировать нужно не по поведению, а по ожидаемой ценности в воронке продаж и в жизненном цикле клиента. И да, это делается не “в CRM руками”, а в BigQuery как слой расчёта, который потом кормит BI, сквозную аналитику и команды RevOps (общая ответственность маркетинга, sales и customer success за выручку).

Как я строю это в BigQuery (упрощённо, но рабоче):
— Беру события по пользователям/контактам (web/app, формы, письма, звонки, если есть) и нормализую к единому ключу (user_id/hashed email/CRM id — что у вас доступно).
— Делаю фичи не “сколько визитов”, а “какой этап вероятнее”:
— есть ли демо-запрос,
— был ли контакт с sales,
— началось ли потребление (для B2B SaaS),
— был ли повторный триггер от бренда.
— Дальше считаю value-группы не через рекламные метрики, а через историческую ценность: средний вклад в выручку (например, 30/60/90 дней после первого значимого события) или вероятность перехода в SQL → сделку → удержание.

Один практический маркер, который я использовал у себя: когда мы перешли от сегментов “источник/кампания” к сегментам “ценность-компонент”, доля “мусорных” лидов по модели упала примерно на **12–18%** при сопоставимом объёме входящего трафика. Главное — это не магия алгоритма, а смена оси принятия решений: мы режем не трафик, а поведение, которое приводит к деньгам.

Если хотите сделать это без тяжёлого ML:
— начните с эмпирических корзин (например, quartile по исторической ценности после первого касания),
— и сравните конверсию не из UTM-воронки, а по итоговому revenue-переходу: как часто сегмент даёт сделку и каков LTV (пожизненная ценность).

Мой совет на сейчас: ревизуйте ваши “таблицы сегментов”. Если в названии сегмента только “лиды”, “заявки”, “MQL”, “source”, но нет связи с выручкой/удержанием — это, скорее всего, уже не аналитика, а временная прокладка. BigQuery позволяет сделать слой расчёта один раз и использовать его везде, чтобы маркетинг перестал работать “по ощущениям”, даже когда last-click умер окончательно и наступила эпоха более честных измерений через моделирование и инкрементальность.

— @BigQuery4MarketingPro

Google добавил вход по видеоселфи

Google тестирует вход по видеоселфи вместо пароля и 2FA: пользователь записывает короткое видео, а потом система сверяет лицо при авторизации. Это упрощает доступ, но вызывает вопросы к антифроду и защите от дипфейков. Функция доступна не всем и не работает для Workspace, детских аккаунтов и Advanced Protection.

➡️ Читайте на сайте: https://aff.top/blog/google-dobavil-vkhod-po-videoselfi

🧠 Ещё больше инсайтов → в канале AFF.top

Alibaba выпустили в паблик Qwen-image-3.0

Qwen-image-3.0 делает упор не на «красивую картинку», а на прикладные задачи: длинные промпты, сложные макеты, текст, формулы и 12 языков. Это удобный инструмент для массовой генерации простых визуалов, но пока без open-source весов и бенчей он не выглядит заменой GPT Image 2 или Nano Banana 2.

➡️ Читайте на сайте: https://aff.top/blog/alibaba-vypustili-v-pablik-qwen-image-3-0

🧠 Ещё больше инсайтов → в канале AFF.top

Яндекс тестирует объединение цифровой и наружной рекламы

Яндекс тестирует «Панораму» — единый формат для digital и наружной рекламы с «умным» охватом, который учитывает пересечение аудиторий и снижает частоту показов. Для рекламодателей это шанс расширить reach до 120 млн пользователей и протестировать новые placements, но в паблик-фазе важно смотреть на цену охвата и качество трафика.

➡️ Читайте на сайте: https://aff.top/blog/iandeks-testiruet-obedinenie-cifrovoi-i-naruzhnoi-reklamy

🧠 Ещё больше инсайтов → в канале AFF.top

Контент без данных — это шум: что BigQuery говорит о Zero-Click эпохе

Zero-click эпоха и AI-overviews (обзоры от ИИ) перевернули привычное SEO. Теперь не количество статей решает, а способность твоего контента быть авторитетным источником для алгоритмов. Но как понять, на какие темы писать, чтобы они соответствовали Topical Authority (тематической экспертизе)? Ответ лежит в данных, и BigQuery — идеальный инструмент для этого.

В 2026 году мы перестали гадать. Научились собирать в BigQuery данные из Google Search Console, Google Analytics 4 и внутренней CRM. Пример: один B2B-клиент из сферы софта имел 300 статей в блоге. Мы загрузили все URL, их позиции, клики

— @BigQuery4MarketingPro

«BigQuery медленный для маркетинговых запросов — берите ClickHouse»

Откуда миф. Люди слышат про «колоночные СУБД для аналитики», читают бенчмарки на терабайтных датасетах и переносят вывод на типичные задачи маркетинга: выгрузка расходов по кампаниям, когортный отчёт по retention (удержанию), склейка CRM с рекламными площадками. На таких объёмах (десятки-сотни миллионов строк) BigQuery часто проигрывает ClickHouse в синтетических тестах на скорость.

Почему это не так однозначно.

— Латентность холодного запроса в BigQuery действительно выше, но для регулярной отчётности это неважно: запрос выполняется раз в час, а не в момент клика пользователя.
— Реальный узкий маркетинговой аналитики — не «как быстро вытащить 50 млн строк», а «как быстро свести источники с разной схемой и не сойти с ума от JOIN (операции соединения таблиц)». Здесь BigQuery выигрывает SQL-диалектом, встроенными UDF (пользовательскими функциями) и federated queries к Google Sheets, GA4, Bigtable.
— ClickHouse требует инженерной обвязки: шардирование, репликация, бэкапы, Kafka для стриминга. Для маркетинговой команды это содержание отдельного дата-инженера.

Что вместо. Правило простое: если данных меньше ~500 млн строк и команда работает в экосистеме Google — берите BigQuery и закрывайте задачи на стандартном SQL. ClickHouse имеет смысл при потоковой телеметрии (логи, события приложения) или когда SQL-запрос должен отдаваться пользователю за секунду. Для еженедельной сводки по 12 рекламным кабинетам — это другая задача и другой бюджет.

Инструмент выбирается под данные и команду, а не под строчку в бенчмарке.

— @BigQuery4MarketingPro

BigQuery сам по себе не улучшает маркетинг

Миф звучит удобно: раз мы выгрузили данные в BigQuery, значит аналитика уже «взрослая», а решения станут точнее. Откуда он берётся — из путаницы между хранилищем данных и управлением маркетингом.

BigQuery — это не стратегия и не ответ на вопрос «что делать дальше». Это слой, где можно быстро собрать данные из рекламы, CRM, сайта и поддержки. Но если воронка криво определена, события размечены непоследовательно, а метрики команды расходятся, то большой объём данных только ускорит производство ошибок. В 2026 это особенно заметно: last-click теряет вес, а бренду, performance и продажам нужна общая картина по выручке, а не набор разрозненных отчётов.

**Правда в другом:** BigQuery полезен тогда, когда вокруг него выстроены правила. Что считается лидом, как считаем возврат, где источник истины, как связываем маркетинг с RevOps и LTV. Тогда хранилище превращается в основу для MMM, инкрементальности и нормальной атрибуции с учётом privacy-first среды.

Что вместо мифа:
— сначала единая схема данных и словарь метрик;
— потом автоматизация сборки отчётов;
— затем модели и эксперименты, которые проверяют гипотезы, а не украшают дашборды.

Иначе BigQuery остаётся дорогим складом таблиц. Сильным становится не инструмент, а дисциплина вокруг него.

— @BigQuery4MarketingPro

С Sonnet 5 и Opus 4.8 теперь можно разговаривать

Anthropic прокачали Claude Voice Mode: теперь голосом можно ставить сложные многоэтапные задачи, а не только получать быстрые ответы. Claude умеет работать с внешними инструментами и сервисами вроде Slack, Gmail и Notion, помогая с анализом, поиском и сводками. Это делает ИИ удобнее для рабочих процессов и быстрых решений.

➡️ Читайте на сайте: https://aff.top/blog/s-sonnet-5-i-opus-4-8-teper-mozhno-razgovarivat

🧠 Ещё больше инсайтов → в канале AFF.top

Крупные СМИ хотят заблокировать Google

Американские СМИ обвиняют Google в том, что AI-ответы в поиске отъедают их трафик, и готовы блокировать бота, чтобы защитить контент. Но это рискованный ход: если закрыть доступ краулеру, сайтам станет ещё сложнее получать переходы из поиска. Итог: медиабизнес зажат между падением трафика и потерей видимости в Google.

➡️ Читайте на сайте: https://aff.top/blog/krupnye-smi-khotiat-zablokirovat-google

🧠 Ещё больше инсайтов → в канале AFF.top

Как мы в BigQuery увидели, что «дешёвый трафик» на самом деле съедает выручку

В 2026-м классическая оптимизация по последнему клику всё чаще даёт ложную картину: канал показывает хороший CPA, а деньги в итоге теряются на повторных касаниях, скидках и слабом возврате покупателей. На одном из проектов e-com в fashion-сегменте мы разбирали именно такую историю.

Контекст был простой: в отчётах performance-каналы выглядели неплохо. По last-click у платного поиска CPA был на 18% ниже плана, у ретаргетинга — на 24% ниже. Но общий рост выручки замедлялся, а доля повторных покупок падала. При этом средний чек за квартал снизился на 6%, и это усилило давление на маржинальность.

Задача была не «найти виноватого», а понять, какие источники реально создают прибыль, а какие лишь забирают кредит за конверсию.

Мы собрали в BigQuery данные из CRM, веб-аналитики и server-side событий. Дальше построили не только last-click, но и простую многоканальную модель: путь до покупки, время между касаниями, долю новых и возвращённых клиентов, а также LTV (пожизненную ценность клиента) по источникам первого касания.

Что увидели:
— платный поиск приводил много покупателей с низким чеком и коротким циклом повторной покупки;
— ретаргетинг часто «дожимал» уже готовый спрос, но почти не давал новых клиентов;
— e-mail и push-сценарии (уведомления) давали меньше конверсий в отчётах, зато приносили на 31% выше LTV на горизонте 90 дней;
— одна из кампаний с CPA на 14% выше медианы оказалась самой прибыльной, потому что её аудитория чаще возвращалась и покупала второй раз.

После перераспределения бюджета 12% расходов ушло из ретаргетинга в каналы привлечения с более высоким LTV, а отдельные скидочные связки мы отключили вовсе. За 2 месяца это дало:
— +9% к выручке от повторных покупок;
— +7% к валовой марже;
— минус 11% к доле нерентабельных заказов.

Урок здесь не в том, что last-click «плохой». Урок в том, что в эпоху privacy-first атрибуции и снижения среднего чека маркетинг нельзя считать только по верхушке воронки. Если в BigQuery собрать путь клиента целиком, становится видно главное: **выигрывает не самый дешёвый канал, а тот, который лучше всего работает на выручку и удержание**.

— @BigQuery4MarketingPro