Как X5 собрали маркетинговую аналитику в BigQuery и перестали спорить о цифрах
В 2026-м маркетинг всё чаще упирается не в «показать больше рекламы», а в то, **как связать каналы с выручкой**. У X5, как и у любой крупной розницы, источников данных десятки: медийка, перформанс, CRM, кассы, приложение, сайт, промо-кампании. Пока каждый канал живёт в своей отчётности, маркетинг быстро превращается в спор о last-click (последнем клике), а не в управление ростом.
Задача была простая на словах и сложная на практике: собрать единую витрину данных, чтобы видеть путь клиента от контакта до покупки и считать не только заявки, но и **доход, повторные покупки и вклад в выручку**.
Что сделали:
— свели в BigQuery данные из рекламных кабинетов, веб-аналитики, CRM и транзакций;
— нормализовали идентификаторы пользователей и событий, чтобы один клиент не дублировался в разных системах;
— построили ежедневные таблицы с ключевыми метриками: расходы, доход, конверсия, частота покупок, LTV (пожизненная ценность клиента);
— добавили сегментацию по регионам, категориям и типам кампаний;
— отдельно вынесли проверку качества данных: пропуски, задержки загрузки, расхождения между источниками.
Самое важное — команда перестала измерять эффективность только по заявкам. В рознице это особенно дорого: средний чек снижается, а значит, выигрыш даёт не первая покупка, а **удержание и повторная выручка**. После переноса отчётности в BigQuery маркетологи смогли быстро сравнивать каналы не по «красивым» CTR, а по маржинальному доходу и повторным визитам.
Результат обычно выглядит так:
— меньше ручной сверки отчётов;
— быстрее пересмотр бюджетов между каналами;
— прозрачнее вклад промо в выручку;
— проще защищать решения перед продажами и финансами.
Главный урок: BigQuery в маркетинге — это не про «хранилище ради хранилища». Это способ перевести разговор с уровня «где был последний клик» на уровень **«что реально принесло деньги и вернуло клиента»**. В эпоху privacy-first атрибуции и слабого last-click это уже не удобство, а базовая управленческая необходимость.
— @BigQuery4MarketingPro
В 2026-м маркетинг всё чаще упирается не в «показать больше рекламы», а в то, **как связать каналы с выручкой**. У X5, как и у любой крупной розницы, источников данных десятки: медийка, перформанс, CRM, кассы, приложение, сайт, промо-кампании. Пока каждый канал живёт в своей отчётности, маркетинг быстро превращается в спор о last-click (последнем клике), а не в управление ростом.
Задача была простая на словах и сложная на практике: собрать единую витрину данных, чтобы видеть путь клиента от контакта до покупки и считать не только заявки, но и **доход, повторные покупки и вклад в выручку**.
Что сделали:
— свели в BigQuery данные из рекламных кабинетов, веб-аналитики, CRM и транзакций;
— нормализовали идентификаторы пользователей и событий, чтобы один клиент не дублировался в разных системах;
— построили ежедневные таблицы с ключевыми метриками: расходы, доход, конверсия, частота покупок, LTV (пожизненная ценность клиента);
— добавили сегментацию по регионам, категориям и типам кампаний;
— отдельно вынесли проверку качества данных: пропуски, задержки загрузки, расхождения между источниками.
Самое важное — команда перестала измерять эффективность только по заявкам. В рознице это особенно дорого: средний чек снижается, а значит, выигрыш даёт не первая покупка, а **удержание и повторная выручка**. После переноса отчётности в BigQuery маркетологи смогли быстро сравнивать каналы не по «красивым» CTR, а по маржинальному доходу и повторным визитам.
Результат обычно выглядит так:
— меньше ручной сверки отчётов;
— быстрее пересмотр бюджетов между каналами;
— прозрачнее вклад промо в выручку;
— проще защищать решения перед продажами и финансами.
Главный урок: BigQuery в маркетинге — это не про «хранилище ради хранилища». Это способ перевести разговор с уровня «где был последний клик» на уровень **«что реально принесло деньги и вернуло клиента»**. В эпоху privacy-first атрибуции и слабого last-click это уже не удобство, а базовая управленческая необходимость.
— @BigQuery4MarketingPro
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
Маркетинговый RevOps и BigQuery: как связали лиды, продажи и удержание в одну модель выручки
Компания (кейсово): B2B-сервис с циклом сделки 2–4 месяца. До 2026 маркетинг отвечал в основном за MQL (marketing qualified lead), однако конверсия из MQL в SQL (sales qualified lead) проседала, а ответственность за выручку постепенно перекладывали на RevOps — маркетинг, sales и customer success совместно ведут процесс до денег.
Задача: перестать измерять «воронку ради воронки» и увидеть, какие источники и кампании реально двигают выручку и удержание.
Проблемы были типичными:
— лиды и сделки жили в разных системах (CRM, формы, веб-аналитика)
— атрибуция часто была last-click (за пределами достоверности в privacy-first эпоху)
— нельзя было оценить вклад кампаний в качество лидов и повторные продажи
Решение в BigQuery:
1) Единый слой данных
— собрали события привлечения (UTM-метки/канал/кампания), формы и идентификаторы посетителей
— замапили на сущности CRM: lead, deal, pipeline stage, даты ключевых статусов
— добавили таблицу customer success: дата активации, отмены/продления, cohort по месяцу старта
2) Модель «доходного» пайплайна
— построили таблицу grain на уровне lead_id + deal_id: путь лида во времени (от первого касания до SQL и закрытия)
— рассчитали метрики качества: время до SQL, доля прохода по стадиям, вероятность закрытия
— отдельно посчитали retention: доля клиентов, удержанных в 1–3–6 месяцев после активации (retention — удержание)
3) Атрибуция без иллюзий last-click
— отказались от «одного победителя» и перешли на сценарный подход: распределяли кредит между касаниями по окнам (например, 7/30/90 дней до SQL и до закрытия), фиксируя uncertainty
— для кампаний считали не только CPA/CPL, но и *expected revenue contribution* (оценочный вклад в выручку) через связывание закрытых сделок с источниками
4) Дашборды для RevOps-ритуалов
— настроили витрины: Top-источники по выручке и по удержанию, разрезы по сегментам компаний, отчётность для sales (где качество лидов лучше) и для customer success (где больше churn-пики)
Конкретный результат (что обычно удаётся подтвердить цифрами в таких проектах):
— улучшили прозрачность: доля лидов с корректно восстановленной связью между привлечением и CRM выросла до уровня, достаточного для принятия решений (в среднем на практике поднимается с «неполных» 60–70% до 90%+ за счёт нормализации ключей и дедупликации)
— изменили управленческие KPI: бюджет начали перераспределять не по MQL-объёму, а по *вероятности закрытия + retention*; в горизонте 1 квартала это даёт заметную коррекцию в миксе источников (обычно компании видят рост доли сделок, прошедших нужные стадии, и более низкий churn в когортах с «качественных» кампаний)
— сократили время на сбор отчётности для встреч RevOps: с ручных выгрузок на «построил один раз — обновляй по расписанию»
Урок для читателя:
Если вы всё ещё оптимизируете маркетинг под воронку без привязки к стадии revenue-циклов и удержанию, BigQuery будет просто хранилищем. Переведите модель на конечный результат: свяжите lead → deal → retention, и считайте вклад кампаний через *качество и деньги*, а не только через клики/лиды. В 2026 это быстрее всего возвращает доверие между маркетингом, sales и customer success — и даёт основу для privacy-first атрибуции, где last-click не должен быть единственной правдой.
— @BigQuery4MarketingPro
Компания (кейсово): B2B-сервис с циклом сделки 2–4 месяца. До 2026 маркетинг отвечал в основном за MQL (marketing qualified lead), однако конверсия из MQL в SQL (sales qualified lead) проседала, а ответственность за выручку постепенно перекладывали на RevOps — маркетинг, sales и customer success совместно ведут процесс до денег.
Задача: перестать измерять «воронку ради воронки» и увидеть, какие источники и кампании реально двигают выручку и удержание.
Проблемы были типичными:
— лиды и сделки жили в разных системах (CRM, формы, веб-аналитика)
— атрибуция часто была last-click (за пределами достоверности в privacy-first эпоху)
— нельзя было оценить вклад кампаний в качество лидов и повторные продажи
Решение в BigQuery:
1) Единый слой данных
— собрали события привлечения (UTM-метки/канал/кампания), формы и идентификаторы посетителей
— замапили на сущности CRM: lead, deal, pipeline stage, даты ключевых статусов
— добавили таблицу customer success: дата активации, отмены/продления, cohort по месяцу старта
2) Модель «доходного» пайплайна
— построили таблицу grain на уровне lead_id + deal_id: путь лида во времени (от первого касания до SQL и закрытия)
— рассчитали метрики качества: время до SQL, доля прохода по стадиям, вероятность закрытия
— отдельно посчитали retention: доля клиентов, удержанных в 1–3–6 месяцев после активации (retention — удержание)
3) Атрибуция без иллюзий last-click
— отказались от «одного победителя» и перешли на сценарный подход: распределяли кредит между касаниями по окнам (например, 7/30/90 дней до SQL и до закрытия), фиксируя uncertainty
— для кампаний считали не только CPA/CPL, но и *expected revenue contribution* (оценочный вклад в выручку) через связывание закрытых сделок с источниками
4) Дашборды для RevOps-ритуалов
— настроили витрины: Top-источники по выручке и по удержанию, разрезы по сегментам компаний, отчётность для sales (где качество лидов лучше) и для customer success (где больше churn-пики)
Конкретный результат (что обычно удаётся подтвердить цифрами в таких проектах):
— улучшили прозрачность: доля лидов с корректно восстановленной связью между привлечением и CRM выросла до уровня, достаточного для принятия решений (в среднем на практике поднимается с «неполных» 60–70% до 90%+ за счёт нормализации ключей и дедупликации)
— изменили управленческие KPI: бюджет начали перераспределять не по MQL-объёму, а по *вероятности закрытия + retention*; в горизонте 1 квартала это даёт заметную коррекцию в миксе источников (обычно компании видят рост доли сделок, прошедших нужные стадии, и более низкий churn в когортах с «качественных» кампаний)
— сократили время на сбор отчётности для встреч RevOps: с ручных выгрузок на «построил один раз — обновляй по расписанию»
Урок для читателя:
Если вы всё ещё оптимизируете маркетинг под воронку без привязки к стадии revenue-циклов и удержанию, BigQuery будет просто хранилищем. Переведите модель на конечный результат: свяжите lead → deal → retention, и считайте вклад кампаний через *качество и деньги*, а не только через клики/лиды. В 2026 это быстрее всего возвращает доверие между маркетингом, sales и customer success — и даёт основу для privacy-first атрибуции, где last-click не должен быть единственной правдой.
— @BigQuery4MarketingPro
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
BigQuery для retention-маркетинга: почему событийная схема устарела
Последние полгода я всё чаще вижу одну и ту же ошибку в хранилищах маркетинговых команд. Событийная аналитика в BigQuery построена вокруг таблицы events с полями user_id, event_name, timestamp. В 2020-м этого хватало. Сейчас — нет.
Причина простая. Средний чек в e-com просел на 5–8%, ставка сместилась с первой покупки на удержание и жизненный цикл клиента. А жизненный цикл — это не цепочка событий, это набор состояний: онбординг, активация, привычка, отток, возврат. Событийная модель хранит факт клика, но не хранит контекст состояния. В результате каждый запрос «сколько пользователей в фазе привычки» превращается в пятиэтажный SQL с оконными функциями и костылями.
Что я предлагаю командам, с которыми работаю.
Первый шаг — добавить справочник user_states рядом с events. Ключ user_id, поля state, state_entered_at, state_exited_at, trigger_event. Обновление через MERGE по факту смены состояния. Так вы получаете срез «кто где сейчас» за секунды, а не за минуты.
Второй шаг — выделить таблицу transitions. Каждый переход состояние → состояние с метриками времени, источника, суммы. Это основа для расчёта вероятностей оттока и uplift-моделей (прогнозирования дополнительной конверсии).
Третий шаг — отказаться от BigQuery export из GA4 как единственного источника. Server-side атрибуция через GTM SS (серверный тег-менеджер) и CRM-события должны литься в ту же витрину, что и медийные данные. Иначе MMM (маркетинг-микс моделирование) и инкрементность считаются на неполной картине.
Главный тезис: событийная модель описывает действия, а retention-маркетинг в 2026-м требует описания состояний. Разница между ними — это разница между отчётом «что было» и ответом «что делать дальше».
— @BigQuery4MarketingPro
Последние полгода я всё чаще вижу одну и ту же ошибку в хранилищах маркетинговых команд. Событийная аналитика в BigQuery построена вокруг таблицы events с полями user_id, event_name, timestamp. В 2020-м этого хватало. Сейчас — нет.
Причина простая. Средний чек в e-com просел на 5–8%, ставка сместилась с первой покупки на удержание и жизненный цикл клиента. А жизненный цикл — это не цепочка событий, это набор состояний: онбординг, активация, привычка, отток, возврат. Событийная модель хранит факт клика, но не хранит контекст состояния. В результате каждый запрос «сколько пользователей в фазе привычки» превращается в пятиэтажный SQL с оконными функциями и костылями.
Что я предлагаю командам, с которыми работаю.
Первый шаг — добавить справочник user_states рядом с events. Ключ user_id, поля state, state_entered_at, state_exited_at, trigger_event. Обновление через MERGE по факту смены состояния. Так вы получаете срез «кто где сейчас» за секунды, а не за минуты.
Второй шаг — выделить таблицу transitions. Каждый переход состояние → состояние с метриками времени, источника, суммы. Это основа для расчёта вероятностей оттока и uplift-моделей (прогнозирования дополнительной конверсии).
Третий шаг — отказаться от BigQuery export из GA4 как единственного источника. Server-side атрибуция через GTM SS (серверный тег-менеджер) и CRM-события должны литься в ту же витрину, что и медийные данные. Иначе MMM (маркетинг-микс моделирование) и инкрементность считаются на неполной картине.
Главный тезис: событийная модель описывает действия, а retention-маркетинг в 2026-м требует описания состояний. Разница между ними — это разница между отчётом «что было» и ответом «что делать дальше».
— @BigQuery4MarketingPro
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
BigQuery — это не склад отчетов, а рабочий слой для маркетинга
Миф звучит так: если данные уже лежат в BigQuery, значит аналитика «собрана» и можно просто строить дашборды. Откуда он берётся? Из старой логики: сначала выгрузили CSV, потом свели в Excel, затем перенесли в BI-систему — и кажется, что сама база данных уже решает задачу.
Но это неправда. BigQuery не отвечает на вопрос «что делать маркетингу» — он отвечает на вопрос «где и как надежно хранить данные». Если в модели нет единого определения выручки, канала, лида, повтора покупки или оттока, то любой дашборд будет только красиво показывать разъехавшуюся картину. В 2026 году это особенно заметно: классический last-click (последний клик) слабеет, а без сквозной логики server-side, MMM (маркетинг-микс моделирования) и incrementality (оценки инкрементальности) данные превращаются в набор несвязанных мнений.
**Что вместо этого?** Строить BigQuery как основу для маркетинговой операционной системы:
— единые справочники и правила расчета метрик;
— слои raw / clean / mart, а не «одну волшебную таблицу»;
— проверку качества данных до визуализации;
— модели, которые связывают канал, креатив, аудиторию и выручку.
Тогда BigQuery перестает быть «местом, где лежат цифры», и становится инструментом, который помогает маркетингу спорить не вкусами, а фактами.
— @BigQuery4MarketingPro
Миф звучит так: если данные уже лежат в BigQuery, значит аналитика «собрана» и можно просто строить дашборды. Откуда он берётся? Из старой логики: сначала выгрузили CSV, потом свели в Excel, затем перенесли в BI-систему — и кажется, что сама база данных уже решает задачу.
Но это неправда. BigQuery не отвечает на вопрос «что делать маркетингу» — он отвечает на вопрос «где и как надежно хранить данные». Если в модели нет единого определения выручки, канала, лида, повтора покупки или оттока, то любой дашборд будет только красиво показывать разъехавшуюся картину. В 2026 году это особенно заметно: классический last-click (последний клик) слабеет, а без сквозной логики server-side, MMM (маркетинг-микс моделирования) и incrementality (оценки инкрементальности) данные превращаются в набор несвязанных мнений.
**Что вместо этого?** Строить BigQuery как основу для маркетинговой операционной системы:
— единые справочники и правила расчета метрик;
— слои raw / clean / mart, а не «одну волшебную таблицу»;
— проверку качества данных до визуализации;
— модели, которые связывают канал, креатив, аудиторию и выручку.
Тогда BigQuery перестает быть «местом, где лежат цифры», и становится инструментом, который помогает маркетингу спорить не вкусами, а фактами.
— @BigQuery4MarketingPro
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