Туристы чуть не погибли, поверив Gemini

Статья о том, что слепое доверие Gemini может привести к ошибочным решениям и реальным рискам: туристы в США из-за советов нейросети сбились с маршрута на горе Шаста и потребовали спасения. Вывод простой: ИИ полезен как инструмент, но маршруты, снаряжение и критичные решения нужно перепроверять вручную.

➡️ Читайте на сайте: https://aff.top/blog/turisty-chut-ne-pogibli-poveriv-gemini

🧠 Ещё больше инсайтов → в канале AFF.top

Какие критерии у трастового аккаунта Facebook?

Статья о том, как оценивать траст Facebook-аккаунта для запуска рекламы в арбитраже. Главные выводы: решают не возраст, а расходники, качество активности, прогрев и чистая биллинг-история; даже вручную зарегистрированный аккаунт может быть слабым. Для работы лучше брать у проверенного селлера и самому прогревать кабинет.

➡️ Читайте на сайте: https://aff.top/blog/kakie-kriterii-u-trastovogo-akkaunta-facebook

🧠 Ещё больше инсайтов → в канале AFF.top

Франция требует запретить соцсети детям до 15 лет во всём Евросоюзе

Макрон пытается вынести запрет соцсетей на уровень ЕС, чтобы обойти французские конституционные ограничения по свободе слова. Параллельно Брюссель готовит возрастные лимиты и обязательную верификацию. Вывод: регуляторы усиливают контроль над соцсетями, и это может быстро стать общеевропейским стандартом.

➡️ Читайте на сайте: https://aff.top/blog/franciia-trebuet-zapretit-socseti-detiam-do-15-let-vo-vsem-evrosoiuze

🧠 Ещё больше инсайтов → в канале AFF.top

Почему в 2026-м маркетологу мало просто «видеть трафик» в BigQuery

Я всё чаще вижу одну и ту же ошибку: маркетинг строит отчёты вокруг каналов, а бизнес уже живёт вокруг выручки. В эпоху, где last-click (последний клик) теряет вес, а privacy-first атрибуция становится нормой, BigQuery перестаёт быть «хранилищем логов» и становится местом, где собирается версия правды для RevOps.

Моё мнение простое: если в BigQuery лежат только расходы, клики и конверсии, это ещё не аналитика маркетинга. Это бухгалтерия по рекламным кабинетам.

Что я считаю обязательным слоем поверх сырых событий:
— связка пользователя не только с лидом, но и с выручкой, стадией сделки, повторными покупками;
— единая логика идентификаторов: user_id, lead_id, account_id, order_id;
— разметка не только по источнику, но и по роли контакта в воронке;
— сегментация по LTV, а не только по CPA;
— отдельный слой для инкрементальности: что действительно добавил маркетинг, а не просто поймал уже готовый спрос.

У меня был показательный кейс: после объединения рекламных данных с CRM и повторными заказами в BigQuery один и тот же канал, который выглядел «дорогим» по CPA, дал на 27% лучший LTV на горизонте 90 дней. До этого его просто резали по отчёту, потому что смотрели на первую покупку.

Именно поэтому я считаю BigQuery самым важным инструментом маркетолога не для дашборга, а для спора о стратегии. Когда у тебя есть нормальная модель данных, разговор в команде меняется: не «какой канал дал лид», а «какой сценарий принёс маржу».

В 2026-м выиграет не тот, кто соберёт больше отчётов. Выиграет тот, кто соберёт в BigQuery одну понятную экономическую картину клиента.

— @BigQuery4MarketingPro

В публичный доступ вышла ChatGPT Images 2.5

OpenAI выпустила ChatGPT Images 2.5 — обновление стало вдвое быстрее, повысило детализацию, качество текстур и естественность освещения. Модель умеет точечно редактировать фрагменты изображения, работать с прозрачным фоном, превращать наброски в готовые картинки и учитывать комментарии к правкам. Это упрощает создание креативов для рекламы и контента без дополнительной обработки.

➡️ Читайте на сайте: https://aff.top/blog/v-publichnyi-dostup-vyshla-chatgpt-images-2-5

🧠 Ещё больше инсайтов → в канале AFF.top

Один стикер в Telegram может выбить аккаунт

В Telegram нашли уязвимость: искажённый анимированный стикер Lottie может обрушить приложение без нажатия — достаточно открыть чат. Если файл остаётся в истории, группа становится недоступной при каждом входе. Пока Telegram не выпустил решение, отключите автозагрузку стикеров и не открывайте подозрительные сообщения.

➡️ Читайте на сайте: https://aff.top/blog/odin-stiker-v-telegram-mozhet-vybit-akkaunt

🧠 Ещё больше инсайтов → в канале AFF.top

Google ads запустил открытый бета-тест AI Dashbord

Google начал открывать AI Dashboards в Google Ads — отчётность на базе Gemini, где графики и диаграммы можно собирать промптами. Фича пока доступна не всем, но скоро должна прийти активным пользователям. Практической пользы для CPA и iGaming она почти не даёт, зато упрощает визуализацию данных и делает отчёты красивее.

➡️ Читайте на сайте: https://aff.top/blog/google-ads-zapustil-otkrytyi-beta-test-ai-dashbord

🧠 Ещё больше инсайтов → в канале AFF.top

RevOps в BigQuery: как Aviasales связал маркетинг и выручку без last-click

В 2026 год “чистого” direct/last-click уже не хватает: атрибуция становится privacy-first (server-side, инкрементальность, MMM), а классическая связка лид → MQL → SQL заметно проседает в B2B-логике и частично в e-commerce. На этом фоне Aviasales, будучи продуктом с сильной долей performance-каналов и долгим циклом решения, столкнулся с типовой проблемой: маркетинг видел заявки/переходы, но бизнес хотел понимать вклад кампаний в выручку и удержание (повторные бронирования, допродажи, “второй шаг”).

Задача
— Перестать оптимизировать кампании “по клику” и начать оптимизацию по влиянию на выручку.
— Собрать единый слой данных в BigQuery, который свяжет: маркетинговые параметры (кампания/канал/креатив) → действия пользователя → бронь/платёж → последующие события.
— Дать RevOps-цепочке (маркетинг + продажи + customer success) общий язык цифр: какие гипотезы реально меняют выручку, а какие лишь перемещают конверсии между сегментами.

Решение
1) Единая модель событий в BigQuery
Aviasales построил таблицы событий в BigQuery с нормализацией полей: идентификатор пользователя/сессии, timestamp, источник (UTM/внутренний трекинг), параметры кампаний, действие на сайте/в приложении, и ключевые транзакционные события. Важный момент — разделили “сырые” логи и витрины:
— raw_* для неизменяемого источника
— mart_* для аналитики и расчётов

2) Server-side сбор и дедупликация
Чтобы не зависеть от потерь в браузерах и мобильных SDK, маркетинговые параметры стали приходить на сервер вместе с событиями. Дедупликация по event_id и контролями на временные окна уменьшила “размножение” конверсий. По внутренним проверкам это дало снижение расхождений между потоками трекинга на **до 30%** на уровне атрибутированных событий (в сравнении с прежней схемой на клиентских куках).

3) “Мост” к выручке: от клика к брони и повторным действиям
Бронь/платёж — отдельная сущность: Aviasales связал её с пользовательским путём через ключи и временные допуски (например, связывание по ближайшему релевантному действию в окне). Затем добавили модель жизненного цикла: первое бронирование → повтор → доп. сервисы, чтобы оценивать не только первичную конверсию, но и retention-эффект.

4) Инкрементальность и чистка канальных искажений
Вместо предположения “если конверсия выросла — канал принёс вклад” они стали мерить приращение (incrementality): A/B-кампании/holdout на уровне сегментов и контрольные группы, где возможно; остальное — оценка влияния через согласование с MMM (marketing mix modeling) для проверки здравого смысла по миксу. Это помогло уйти от переоценки last-click.

Результат
— Появился единый дашборд для RevOps: метрики по кампании стали считаться от событий до выручки и повторных действий, а не от клика.
— На практике рост эффективности оптимизаций подтвердился на отдельных когортах: при сохранении бюджета выручка по “инкрементальным” группам увеличивалась, тогда как кампании с “клик-влиянием без выручки” стали проседать в приоритете. В отчётах это выразилось как снижение доли кампаний с нулевым инкрементом и более точный подбор сегментов для масштабирования.
— Команда перестала спорить в терминах “у нас стало больше конверсий” и перешла к формулировкам “у нас стало больше выручки на инкрементальной группе”, что ускорило решения по бюджету.

Урок
1) BigQuery — это не “место для отчётов”, а слой, где вы фиксируете определения: событие, конверсия, выручка, связка с пользователем.
2) Переход от last-click к оценке влияния требует дисциплины: server-side сбор, дедупликация, окна атрибуции и валидация.
3) RevOps в 2026 выигрывает у изолированных воронок: когда маркетинг видит путь к выручке и retention, решения по миксу становятся быстрее и доказуемее.

Если хотите, в следующем посте разберу конкретно: какую схему таблиц (raw/mart) удобно собирать под связку “кампания → бронь → LTV” и как проверять целостность данных в BigQuery на примерах SQL-проверок.

— @BigQuery4MarketingPro

Компания Meta представила Muse

Meta запустила Muse — ИИ-агента для рутинных действий вроде писем, брони, форм и покупок через Stripe. Для арбитража и CPA это скорее демонстрация тренда, чем рабочий инструмент: модель Muse Spark слабая, запуск только в США, а безопасность завязана на изолированную VM и контроль доступа к сервисам.

➡️ Читайте на сайте: https://aff.top/blog/kompaniia-meta-predstavila-muse

🧠 Ещё больше инсайтов → в канале AFF.top

Вышел в публичный доступ DeepSeek-V4.1-Flash

➡️ Читайте на сайте: https://aff.top/blog/vyshel-v-publichnyi-dostup-deepseek-v4-1-flash

🧠 Ещё больше инсайтов → в канале AFF.top

Facebook ads добавляет детальный таргетинг in-market categories

Facebook Ads тестирует In-market categories — новый детальный таргетинг на пользователей, которые прямо сейчас выбирают товар или услугу и ближе всего к покупке. Для арбитража это может дать более «горячую» аудиторию и потенциально лучший CR, особенно в e-commerce, нутре и других вертикалях. Пока функция доступна не всем, но её стоит тестировать сразу после масштабного релиза.

➡️ Читайте на сайте: https://aff.top/blog/facebook-ads-dobavliaet-detalnyi-targeting-in-market-categories

🧠 Ещё больше инсайтов → в канале AFF.top

BigQuery для маркетинга: как посчитать инкрементальность прироста выручки без «последнего клика»

В 2026 маркетинг всё чаще отвечает за выручку вместе с RevOps (общая ответственность маркетинга, продаж и customer success за результат). Но в отчетах по прежнему живёт last-click: он объясняет прошлое, а не доказывает влияние. Поэтому многие команды переходят к privacy-first подходам: server-side события, воспроизводимые витрины и измерение прироста через incrementality (оценка дополнительного эффекта).

Бренд/компания
Диджитал-маркетинг-отдел B2B-сервиса с циклом сделки 30–90 дней (контент + performance на лиды). До изменения измеряли конверсии по последнему касанию и часто переоценивали платный трафик.

Задача
1) Понять, какие кампании реально дают прирост выручки, а какие лишь «забирают» клиентов, которые и так бы дошли до сделки.
2) Собрать данные так, чтобы атрибуцию и вычисления можно было воспроизвести в BigQuery, без ручных выгрузок и «разных версий истины».
3) Синхронизировать маркетинговые события с CRM (лиды → MQL → SQL → win) и закрывающими данными.

Решение
— В BigQuery построили витрины уровня “путь клиента”: пользователь/lead идентификатор → набор касаний (кампания, формат, канал, время) → статусы в CRM с датами.
— Для privacy-first интеграций использовали server-side события: UTM/идентификатор кампании передавали так, чтобы минимизировать потери данных в браузере.
— Вместо last-click применили дизайн измерения “test/control” на уровне групп:
— для части трафика ограничивали показ (или уменьшали бюджет) по заданным правилам на сопоставимых сегментах;
— затем сравнивали итоговую метрику по группам с поправкой на разницу в составе лидов (минимум — стратификация по источнику и отрасли/размеру компании, максимум — регрессии или пропенсити-скоринг, если достаточно данных).
— Итоговую инкрементальность считали на уровне pipeline metric:
— инкрементальные SQL и win (суммарные и по сегментам),
— затем переводили в выручку через средний revenue по сегментам (без обещаний “точной” формулы, только на данных исторической базы).

Конкретный результат
Чтобы не привязываться к «абсолютным» цифрам, которые зависят от модели выручки, команда закрепила эффект в терминах прироста: **после корректного сравнения test/control платные кампании перестали выглядеть “всемогущими” по last-click** и стало видно, что часть бюджета распределяли на сегменты с близким к нулю инкрементом. По практическому KPI это позволило:
— перераспределить бюджет на кампании с устойчивым приростом MQL→SQL;
— сократить долю spend, который чаще “тащит” уже готовые лиды, а не добавляет новых;
— унифицировать отчётность: один расчет в BigQuery для команды маркетинга и RevOps.

Урок для читателя
1) Если вы всё ещё строите решение на last-click, вы меряете атрибуцию, а не влияние. В 2026 лучше считать **инкрементальность** и/или эффект на pipeline-этапах.
2) BigQuery нужен не только для графиков, а для воспроизводимых вычислений: витрины касаний + CRM-статусы + единый календарь событий.
3) Начинайте с простой схемы test/control и стратификации: даже базовая проверка даст сигнал, какие кампании реально “добавляют”, а какие — “перекрашивают” путь.

Если хотите, опишу шаблон схемы витрин (таблицы касаний, CRM-статусов, справочник кампаний) и пример SQL-структуры под инкрементальность для вашего типа бизнеса (B2B с MQL/SQL или e-com с retention/LTV).

— @BigQuery4MarketingPro

Как BigQuery собрал разрозненные данные в одну картину и помог команде быстрее принимать решения

Один из типичных кейсов для маркетинга в 2026 году — когда данные есть, а ясности нет. Так было и у компании из B2B-сегмента: реклама шла в нескольких каналах, лиды считались в CRM, поведение на сайте жило отдельно, а отчёты в итоге расходились между маркетингом и продажами.

**Задача** была простая на словах и сложная на практике: понять, какие каналы реально двигают выручку, а какие просто дают шум. На уровне MQL/SQL это уже работает хуже, чем раньше: в B2B всё чаще нужна связка маркетинга, продаж и customer success в одну логику — через RevOps.

**Решение** построили на BigQuery как на едином слое данных. В него стали сводить:
— рекламные расходы и кампании;
— веб-аналитику;
— CRM-статусы;
— данные по сделкам и повторным касаниям.

После этого команда настроила регулярные запросы и отчёты, где считались не только заявки, но и путь до сделки. Отдельно смотрели:
— конверсию по этапам;
— стоимость лида и стоимость сделки;
— долю каналов, которые дают первый контакт и которые дожимают до выручки.

**Результат** — исчезла вечная спорность между таблицами. Маркетинг увидел, что часть каналов красиво выглядит в отчётах по лидам, но почти не влияет на сделки. А каналы с более длинным циклом стали получать заслуженную оценку, потому что их вклад наконец стало видно в общей воронке.

**Урок для маркетолога:** если у вас несколько источников данных, не пытайтесь собирать правду вручную в Excel. В 2026 году выигрывает не тот, у кого больше отчётов, а тот, у кого есть единая модель данных и понятная связь между расходами, касаниями и выручкой. BigQuery здесь — не просто хранилище, а рабочий слой для управленческого маркетинга.

— @BigQuery4MarketingPro

По этой же теме советуем @MarTechStackRuPro

MoneyGram запустила карту Visa

MoneyGram и Visa запустили виртуальную карту на стейблкоине MGUSD: пока она работает только в Колумбии и привязывается к Apple/Google Wallet, но в планах — новые GEO и физические карты. Для арбитража это сигнал, что стейблкоин-платежи могут стать удобным способом оплаты и, возможно, источником новых платежных решений под CPA и iGaming.

➡️ Читайте на сайте: https://aff.top/blog/moneygram-zapustila-kartu-visa

🧠 Ещё больше инсайтов → в канале AFF.top

Apple выпустила документацию для приложений на Iphone Duo

Выход складного iPhone Duo потребует от разработчиков адаптации интерфейсов под новые пропорции экрана и версии iOS. Арбитражникам, использующим классические web-приложения под гемблу, придется срочно переделывать софт под три новых режима совместимости Apple, в то время как владельцы PWA-связок смогут продолжить работу без дополнительных технических правок.

➡️ Читайте на сайте: https://aff.top/blog/apple-vypustila-dokumentaciiu-dlia-prilozhenii-na-iphone-duo

🧠 Ещё больше инсайтов → в канале AFF.top