Anthropic готовит к запуску Claude Money

Anthropic анонсировала Claude Money — ИИ-сервис для управления личными финансами и автоматизации платежей. Инструмент позволяет подключать банковские карты для анализа расходов, планирования бюджета и проведения транзакций. Это переход от консультационных моделей к полноценным финансовым агентам. Внедрение технологии позволит пользователям делегировать нейросети рутинные задачи, включая оплату токенов и подписок на необходимые рабочие сервисы.

➡️ Читайте на сайте: https://aff.top/blog/anthropic-gotovit-k-zapusku-claude-money

🧠 Ещё больше инсайтов → в канале AFF.top

Meta ограничивает расходы на токены для сотрудников

Meta ввела внутренние лимиты на использование ИИ из-за резкого роста расходов: в 2026 году только на сотрудников заложены миллиарды долларов, а общий бюджет на ИИ-инфраструктуру оценивается в 130–145 млрд. Вывод простой: даже у Big Tech ИИ перестал быть бесплатной игрушкой и требует жёсткого контроля затрат.

➡️ Читайте на сайте: https://aff.top/blog/meta-ogranichivaet-raskhody-na-tokeny-dlia-sotrudnikov

🧠 Ещё больше инсайтов → в канале AFF.top

Claude Cowork, Claude Design объединили в один Claude

➡️ Читайте на сайте: https://aff.top/blog/claude-cowork-claude-design-obedinili-v-odin-claude

🧠 Ещё больше инсайтов → в канале AFF.top

BigQuery в маркетинге: что уже даёт деньги?

В 2026 считать «ради отчёта» всё слабее работает: нужна аналитика, которая влияет на выручку, retention и бюджет. Что для вас сейчас самый полезный сценарий в BigQuery?

ВАРИАНТЫ:
1. Склейка CRM, рекламы и выручки в одну картину
2. Атрибуция: server-side, MMM, инкрементальность
3. Сегменты для retention и LTV вместо разовых покупок
4. Автоматизация отчётов для маркетинга и sales

— @BigQuery4MarketingPro

Глубже разбирают этот метод в @PerformanceLeadRuPro

Microsoft планирует вставлять рекламу в игры

➡️ Читайте на сайте: https://aff.top/blog/microsoft-planiruet-vstavliat-reklamu-v-igry

🧠 Ещё больше инсайтов → в канале AFF.top

Атрибуция «по последнему клику» — миф. И BigQuery здесь ни при чём

Миф: «Если выгрузить в BigQuery все клики и посадочные, то можно честно посчитать эффект по last-click (последний клик) — и принимать решения».

Откуда растёт заблуждение
В 2016–2020 мы действительно могли собрать путь пользователя довольно полно: cookie-длинные сессии, стабильные ID, предсказуемые UTM. Затем privacy-first настройки, серверная передача событий и ограничения браузеров сделали пути короче и “дырявее”. Но привычка осталась: раз данные в таблице есть, значит, выводы можно строить напрямую.

Почему это неправда
Last-click ломается не потому, что “не умеем в BigQuery”, а потому что метрика ответа на маркетинг — про влияние, а не про маршрут. Последний клик чаще отражает момент выбора (intent), а не вклад канала. В итоге вы получаете систематическое перекладывание заслуг: ретаргет, брендовый поиск (search по названию) и ретроспективные кампании будут выглядеть лучше, чем то, что формировало спрос раньше. В модели появляются самоисполняющиеся легенды: бюджет растёт туда, где “последний шаг”, и проседает то, что создаёт спрос.

Что вместо этого
Вместо one-metric истины — связка процессов:
— privacy-first атрибуция через инкрементальность (incrementality) и контрольные группы, где возможно
— MMM (маркетинговое моделирование) для агрегированного вклада каналов, когда user-level путь неполный
— в BigQuery — не “сшивать всё ради last-click”, а строить витрины для экспериментов и временных рядов: GRP/охват, медиабюджет, промо, сезонность, продажи/выручка

Практическое правило: если решение зависит от конкретного “последнего клика”, значит вы снова подменяете причинность маршрутом. Для 2026 это уже риск для маркетинга, RevOps (общая ответственность за выручку) и руководства продаж.

— @BigQuery4Marketing

3 инструмента для маркетинговых исследований и аналитики в BigQuery

Если в 2026 году маркетингу нужны не «красивые отчёты», а проверяемые выводы для performance, B2B и retention, полезно смотреть не на громкость AI-ответа, а на источник данных, масштаб и цену ошибки. Ниже — три инструмента одного класса: для тех, кто строит исследование на фактах, а не на догадках.

WRITER Agent — для маркетинг-аналитиков, исследователей и команд, которым важны первичные источники — сильная сторона: умеет подтягивать данные из FRED, OECD, World Bank и SEC EDGAR и выдавать ответ с цитированием источников — слабая сторона: это не универсальный «всё умеющий» ассистент, а скорее слой для аккуратной исследовательской работы, где нужна дисциплина в постановке запроса.

Google BigQuery — для тех, кто собирает маркетинговое хранилище, считает атрибуцию, LTV и когортный retention — сильная сторона: масштаб, скорость обработки больших массивов и удобная связка с экосистемой Google — слабая сторона: сам по себе не отвечает на бизнес-вопросы, без нормальной модели данных и контроля качества легко превращается в дорогой склад таблиц.

Dataform — для аналитиков и команд RevOps, которым нужно системно собирать SQL-трансформации и версионировать логику метрик — сильная сторона: помогает упаковать расчёты в управляемые пайплайны и уменьшить ручной хаос — слабая сторона: требует зрелого подхода к моделированию, а новичкам кажется «ещё одним слоем сложности» поверх BigQuery.

Как выбирать: если вам нужен источник и проверяемость — смотрите в сторону WRITER Agent; если нужна база для всей маркетинговой аналитики — BigQuery; если важны повторяемые расчёты и порядок в SQL — Dataform.

— @BigQuery4MarketingPro

@EdTechCasesRu разбирают это с практической стороны