OpenAI извинились за новый дизайн ChatGPT

OpenAI признала, что новый десктопный ChatGPT вышел перегруженным: слитые в один интерфейс Chat, Work и Codex запутали пользователей и раздули приложение почти в 10 раз. После хейта обновление откатили, а вывод простой: функции надо упаковывать в единый UX без лишнего шума, даже если это помогает росту базы.

➡️ Читайте на сайте: https://aff.top/blog/openai-izvinilis-za-novyi-dizain-chatgpt

🧠 Ещё больше инсайтов → в канале AFF.top

UNPIVOT в BigQuery: почему маркетологи продолжают делать это руками

Семь лет в работе с маркетинговой аналитикой, и я до сих пор вижу одну и ту же картину: выгрузка из рекламного кабинета приходит в «широком» формате, аналитик руками перекладывает её в длинный (long) формат, тратит на это от часа до дня, и только потом строит отчёт. Зачем — спрашиваю. «Так удобнее», — отвечают. И добавляют, что попробовали UNPIVOT, получилось криво, вернулись к Excel.

Проблема не в функции. Проблема в подходе к ней.

UNPIVOT в BigQuery — это не «замена ручной работы». Это смена мышления с ячейки на строку. Когда вы привыкли думать таблицей, где столбцы — это метрики (показы, клики, расход, конверсии), переход к длинной структуре кажется избыточным. Но именно длинный формат — это язык, на котором SQL считает что-то осмысленное. Любая нормальная агрегация по креативам, площадкам, неделям и сегментам одновременно в широком формате превращается в портянку CASE WHEN. В длинном — один GROUP BY.

Практическое наблюдение из проектов: команды, которые перешли на UNPIVOT как стандарт ещё на этапе слоя STG (стейджинга), в среднем экономят около 30% времени аналитика на подготовку еженедельной отчётности. Это не магия — просто исключается шаг ручной перекладки и связанные с ним ошибки (пропущенный столбец, потерянный ноль, съехавшая формула).

Типичный шаблон выглядит так: в исходных данных у вас столбцы impressions, clicks, cost, conversions. После UNPIVOT по столбцам с метриками вы получаете две колонки — metric_name и metric_value. Дальше фильтр WHERE metric_name IN (...) и обычная агрегация. Если нужны разные типы данных в value (а cost у вас дробный, а клики целые) — приводите к NUMERIC на этапе UNPIVOT, иначе BigQuery ругнётся.

Что чаще всего идёт не так:

— забывают EXCLUDE — и в длинную таблицу уезжают колонки, которые не должны быть метриками (название кампании, дата, ID объявления);
— пытаются UNPIVOT-ить сразу всё подряд, включая идентификаторы, и удивляются, что строк стало в десять раз больше, чем нужно;
— используют UNPIVOT там, где хватает простого SELECT AS STRUCT — это про другое, но новички путают.

Если вы в команде до сих пор перекладываете выгрузки руками — это не особенность ваших данных. Это привычка, которая стоит вам аналитических часов. Попробуйте UNPIVOT на одной таблице, выделите метрики в отдельный список, посмотрите на разницу в коде отчёта. Дальше — вопрос дисциплины.

А вы уже перевели свои отчёты на длинный формат, или ещё сидите в широком?

— @BigQuery4MarketingPro

ChatGPT 5.6 Luna и Terra подешевели

OpenAI резко снизила цены на GPT-5.6 Luna и Terra спустя три недели после релиза, сделав их заметно дешевле для массового использования. Sol осталась премиальной по прежнему прайсу, но получила Fast mode с ускорением до 2,5 раза. Вывод: компания давит ценой и скоростью, чтобы быстрее нарастить спрос и долю рынка.

➡️ Читайте на сайте: https://aff.top/blog/chatgpt-5-6-luna-i-terra-podesheveli

🧠 Ещё больше инсайтов → в канале AFF.top

Доменная зона .web делегирован в корневую зону DNS

Verisign вывела .web в корневую зону DNS: теперь это полноценный TLD, но открытая регистрация ещё не стартовала. Сначала доступ получат владельцы совпадающих доменов в .com через LRP. Вывод для рынка: хорошие EMD в .com могут стать входным билетом в .web, если успеть занять брендовые имена раньше общего запуска.

➡️ Читайте на сайте: https://aff.top/blog/domennaia-zona-web-delegirovan-v-kornevuiu-zonu-dns

🧠 Ещё больше инсайтов → в канале AFF.top

В Facebook Ads появился раздел «Conversations»

Facebook Ads добавил Conversations с автоответом на комментарии: по ключевым словам можно сразу отправлять сообщение в личку. Для арбитража это новый способ прогрева и передачи ссылки без клоаки: в креативе можно просить оставить комментарий, а заинтересованных уводить с вайта на блэк уже в ДМ. Идея спорная, но её стоит тестировать.

➡️ Читайте на сайте: https://aff.top/blog/v-facebook-ads-poiavilsia-razdel-conversations

🧠 Ещё больше инсайтов → в канале AFF.top

Как BigQuery помогает связать CRM и рекламу в B2B без лишней ручной склейки

У B2B-компаний типичная проблема 2026 года: лидов становится меньше, а качество важнее объёма. Маркетинг уже не может жить только в MQL-логике — нужна связка с продажами и выручкой, то есть RevOps-подход.

Один из рабочих сценариев здесь — собрать данные в BigQuery и перестать считать эффективность рекламы по «кривым» таблицам из разных систем.

Компания из кейса столкнулась с тем, что:
— заявки приходили из нескольких источников;
— часть данных жила в CRM, часть — в рекламных кабинетах;
— на отчётность уходило много времени, а единая картина по воронке не складывалась.

Что сделали:
— выгрузили данные по лидам, сделкам и расходам в BigQuery;
— связали обращения с источниками трафика;
— собрали единый слой аналитики по этапам воронки: от первого касания до сделки;
— настроили регулярные запросы и отчёты, чтобы маркетинг и продажи смотрели на одни и те же цифры.

Что это дало:
— меньше ручной работы с данными;
— быстрее стали собираться отчёты по каналам;
— появилась возможность смотреть не только на стоимость лида, но и на вклад канала в выручку.

**Главный вывод**: в B2B уже мало знать, откуда пришёл лид. Нужно понимать, какой канал приводит не просто заявки, а сделки и деньги. Именно BigQuery позволяет собрать такую сквозную картину без постоянных Excel-стыковок.

Для маркетолога отсюда практический урок простой: если у вас есть CRM, рекламные расходы и хотя бы базовая дисциплина в UTM-метках, BigQuery можно использовать как центр правды. Это особенно важно сейчас, когда last-click-атрибуция теряет точность, а решения всё чаще принимают по совокупности данных: воронка, выручка, повторные покупки, срок сделки.

— @BigQuery4MarketingPro

Данные в BigQuery — это не панацея

Часто вижу проекты, где BigQuery завален сырыми данными из CRM, рекламных кабинетов и трекеров, а отдел маркетинга всё равно не знает, какой канал привёл реальную выручку в 2026 году.

Проблема не в объёме и не в скорости SQL-запроса. Проблема в том, что clean data (чистые данные) до сих пор воспринимаются как «когда-нибудь потом». Сейчас, когда last-click умирает, а на сцену выходят MMM (маркетинг-микс моделирование) и incrementality (инкрементальность), грязные данные превращаются не просто в шум, а в прямые убытки. BigQuery не прощает небрежности: одна неправильно соединённая таблица с customer_id — и вся атрибуция летит коту под хвост.

Data governance (управление качеством данных) из опции для гиков превратилось в базовое условие выживания для маркетинга. Без него любая модель — это гадание с красивым дашбордом.

— @BigQuery4MarketingPro