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
Почему атрибуция по последнему клику стала главным тормозом роста в 2026 году
В эпоху, когда каждый второй бюджет на рекламу съедается алгоритмами площадок, продолжать верить модели «последнего клика» (last-click attribution) — значит намеренно искажать реальность. Мы живем в мире, где путь пользователя (customer journey) растянут на недели, а влияние поисковых систем с ответами от искусственного интеллекта делает «первый контакт» почти неуловимым.
Когда я смотрю на данные в BigQuery, я вижу, что компании, которые до сих пор живут в парадигме прямой связи «клик-продажа», теряют деньги на удержании тех, кто и так пришел бы сам, и отключают каналы, которые формируют первичный спрос.
Моя позиция проста: в 2026 году маркетинг должен перейти от отслеживания цепочек кликов к моделированию маркетингового микса (MMM). В BigQuery это реализуется через построение единого хранилища данных, куда стекаются не только сырые логи (raw logs) с рекламных площадок через server-side (серверную передачу данных), но и офлайн-события, данные из CRM и финансовые показатели.
На практике это выглядит так. Недавно мы анализировали данные e-com проекта, где LTV (пожизненная ценность клиента) проседал из-за снижения среднего чека. Клиент хотел «оптимизировать» контекст, отрезав якобы неэффективные площадки. Однако, собрав в BigQuery модель инкрементальности (анализ прироста продаж, вызванного именно рекламой), мы увидели парадокс: каналы, которые приносили «дорогие» лиды, обеспечивали 40% повторных покупок через три месяца. Без этой связки в едином хранилище мы бы просто убили источник будущей выручки.
— Перестаньте смотреть на отчеты внутри рекламных кабинетов как на истину в последней инстанции.
— Интегрируйте данные о звонках и возвратах в BigQuery, чтобы видеть реальную маржинальность, а не просто объем заказов.
— Фокусируйтесь на накоплении данных о всей цепочке касаний, а не на том, какая кнопка была нажата последней.
Когда вы объединяете данные о расходах с данными о фактической прибыли на уровне каждого клиента, необходимость в спорах «какой канал лучше» отпадает. Цифры начинают показывать, как именно ваша активность влияет на RevOps (общую ответственность маркетинга и продаж за выручку). В 2026 году побеждает не тот, кто лучше настроил автостратегию, а тот, кто лучше видит полный цикл жизни своего потребителя. BigQuery здесь — не просто склад данных, а база для принятия решений, которые выживают в условиях жесткой экономии покупателей.
— @BigQuery4MarketingPro
В эпоху, когда каждый второй бюджет на рекламу съедается алгоритмами площадок, продолжать верить модели «последнего клика» (last-click attribution) — значит намеренно искажать реальность. Мы живем в мире, где путь пользователя (customer journey) растянут на недели, а влияние поисковых систем с ответами от искусственного интеллекта делает «первый контакт» почти неуловимым.
Когда я смотрю на данные в BigQuery, я вижу, что компании, которые до сих пор живут в парадигме прямой связи «клик-продажа», теряют деньги на удержании тех, кто и так пришел бы сам, и отключают каналы, которые формируют первичный спрос.
Моя позиция проста: в 2026 году маркетинг должен перейти от отслеживания цепочек кликов к моделированию маркетингового микса (MMM). В BigQuery это реализуется через построение единого хранилища данных, куда стекаются не только сырые логи (raw logs) с рекламных площадок через server-side (серверную передачу данных), но и офлайн-события, данные из CRM и финансовые показатели.
На практике это выглядит так. Недавно мы анализировали данные e-com проекта, где LTV (пожизненная ценность клиента) проседал из-за снижения среднего чека. Клиент хотел «оптимизировать» контекст, отрезав якобы неэффективные площадки. Однако, собрав в BigQuery модель инкрементальности (анализ прироста продаж, вызванного именно рекламой), мы увидели парадокс: каналы, которые приносили «дорогие» лиды, обеспечивали 40% повторных покупок через три месяца. Без этой связки в едином хранилище мы бы просто убили источник будущей выручки.
— Перестаньте смотреть на отчеты внутри рекламных кабинетов как на истину в последней инстанции.
— Интегрируйте данные о звонках и возвратах в BigQuery, чтобы видеть реальную маржинальность, а не просто объем заказов.
— Фокусируйтесь на накоплении данных о всей цепочке касаний, а не на том, какая кнопка была нажата последней.
Когда вы объединяете данные о расходах с данными о фактической прибыли на уровне каждого клиента, необходимость в спорах «какой канал лучше» отпадает. Цифры начинают показывать, как именно ваша активность влияет на RevOps (общую ответственность маркетинга и продаж за выручку). В 2026 году побеждает не тот, кто лучше настроил автостратегию, а тот, кто лучше видит полный цикл жизни своего потребителя. BigQuery здесь — не просто склад данных, а база для принятия решений, которые выживают в условиях жесткой экономии покупателей.
— @BigQuery4MarketingPro
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Cloudeflare грозит Google блокировкой трафика
Cloudflare объявил: с 15 сентября 2026 года ИИ-краулеры будут заблокированы по умолчанию на всех сайтах с рекламой — включая Googlebot, Applebot и Bingbot.
Главная претензия — к Google: один и тот же бот индексирует страницы и собирает данные для обучения нейросетей, что даёт поисковику нечестное преимущество.
Но есть нюанс, который меняет всю к…
➡️ Читайте на сайте: https://aff.top/blog/cloudeflare-grozit-google-blokirovkoi-trafika
🧠 Ещё больше инсайтов → в канале AFF.top
Cloudflare объявил: с 15 сентября 2026 года ИИ-краулеры будут заблокированы по умолчанию на всех сайтах с рекламой — включая Googlebot, Applebot и Bingbot.
Главная претензия — к Google: один и тот же бот индексирует страницы и собирает данные для обучения нейросетей, что даёт поисковику нечестное преимущество.
Но есть нюанс, который меняет всю к…
➡️ Читайте на сайте: https://aff.top/blog/cloudeflare-grozit-google-blokirovkoi-trafika
🧠 Ещё больше инсайтов → в канале AFF.top
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Гайд: как заработать первые деньги на Pornhub
Pornhub — самый посещаемый адалт-сайт в мире, и на нём действительно можно зарабатывать. Но схема устроена иначе, чем кажется.
Автор залил ролики, набрал 16 000 просмотров — и получил 47 центов встроенной монетизации. Реальные деньги были в другом.
Есть нюансы с верификацией, голосом в роликах и законодательством РФ, которые ломают большинство с…
➡️ Читайте на сайте: https://aff.top/blog/gaid-kak-zarabotat-pervye-dengi-na-pornhub
🧠 Ещё больше инсайтов → в канале AFF.top
Pornhub — самый посещаемый адалт-сайт в мире, и на нём действительно можно зарабатывать. Но схема устроена иначе, чем кажется.
Автор залил ролики, набрал 16 000 просмотров — и получил 47 центов встроенной монетизации. Реальные деньги были в другом.
Есть нюансы с верификацией, голосом в роликах и законодательством РФ, которые ломают большинство с…
➡️ Читайте на сайте: https://aff.top/blog/gaid-kak-zarabotat-pervye-dengi-na-pornhub
🧠 Ещё больше инсайтов → в канале AFF.top
Почему атрибуция на основе последнего клика окончательно стала рудиментом
В 2026 году продолжать оценивать эффективность каналов по последнему клику (last-click) — это всё равно что пытаться управлять современным маркетплейсом с помощью бумажных счетов. В эпоху, когда пользователь совершает до десяти касаний с брендом, прежде чем оформить покупку, старые модели слепнут.
Проблема не только в приватности данных, которая ограничила возможности классических трекеров. Проблема в самой логике RevOps (единой системы управления выручкой), где маркетинг, продажи и клиентский сервис работают как один организм. Когда мы отдаем всю ценность конверсии только последнему источнику, мы фактически «убиваем» верхние этапы воронки, ориентированные на формирование спроса и построение авторитета в тематике (Topical Authority).
В BigQuery мы решаем эту задачу через переход к моделированию маркетингового микса (MMM) и анализу инкрементальности (дополнительной ценности). Суть в том, чтобы использовать SQL-запросы не просто для выгрузки отчетов, а для сопоставления сырых данных из CRM, логов рекламных платформ и оффлайн-событий.
На практике это выглядит так:
— Мы перестаем верить «красивым» отчетам из рекламных кабинетов.
— Мы строим собственные таблицы соответствия, где объединяем данные о расходах с данными о фактической выручке, очищенной от возвратов.
— Мы проводим тесты на «выключение» каналов, чтобы понять, какой объем продаж был бы без конкретного источника трафика.
Цифра из практики: после пересчета атрибуции на основе вклада каждого этапа пути клиента в одном из наших проектов по E-com, стоимость привлечения покупателя (CAC) в контентных каналах оказалась на 35% ниже, чем показывала система аналитики до этого. Стало очевидно, что инвестиции в экспертный контент, который «прогревает» аудиторию, приносят кратно больше LTV (пожизненной ценности клиента), чем закупка трафика на прямую продажу.
Сегодня аналитик в маркетинге — это не тот, кто умеет строить дашборды. Это тот, кто умеет доказать руководству, что отказ от краткосрочной метрики в пользу долгосрочного удержания (retention) — единственный способ выжить при снижении среднего чека рынка. Перестаньте искать «святой грааль» в атрибуции. Начинайте собирать собственный массив данных, который будет отражать реальную экономику вашего бизнеса, а не рекламные сказки платформ. Использование облачного хранилища здесь — не роскошь, а необходимость для построения достоверной картины мира.
— @BigQuery4MarketingPro
В 2026 году продолжать оценивать эффективность каналов по последнему клику (last-click) — это всё равно что пытаться управлять современным маркетплейсом с помощью бумажных счетов. В эпоху, когда пользователь совершает до десяти касаний с брендом, прежде чем оформить покупку, старые модели слепнут.
Проблема не только в приватности данных, которая ограничила возможности классических трекеров. Проблема в самой логике RevOps (единой системы управления выручкой), где маркетинг, продажи и клиентский сервис работают как один организм. Когда мы отдаем всю ценность конверсии только последнему источнику, мы фактически «убиваем» верхние этапы воронки, ориентированные на формирование спроса и построение авторитета в тематике (Topical Authority).
В BigQuery мы решаем эту задачу через переход к моделированию маркетингового микса (MMM) и анализу инкрементальности (дополнительной ценности). Суть в том, чтобы использовать SQL-запросы не просто для выгрузки отчетов, а для сопоставления сырых данных из CRM, логов рекламных платформ и оффлайн-событий.
На практике это выглядит так:
— Мы перестаем верить «красивым» отчетам из рекламных кабинетов.
— Мы строим собственные таблицы соответствия, где объединяем данные о расходах с данными о фактической выручке, очищенной от возвратов.
— Мы проводим тесты на «выключение» каналов, чтобы понять, какой объем продаж был бы без конкретного источника трафика.
Цифра из практики: после пересчета атрибуции на основе вклада каждого этапа пути клиента в одном из наших проектов по E-com, стоимость привлечения покупателя (CAC) в контентных каналах оказалась на 35% ниже, чем показывала система аналитики до этого. Стало очевидно, что инвестиции в экспертный контент, который «прогревает» аудиторию, приносят кратно больше LTV (пожизненной ценности клиента), чем закупка трафика на прямую продажу.
Сегодня аналитик в маркетинге — это не тот, кто умеет строить дашборды. Это тот, кто умеет доказать руководству, что отказ от краткосрочной метрики в пользу долгосрочного удержания (retention) — единственный способ выжить при снижении среднего чека рынка. Перестаньте искать «святой грааль» в атрибуции. Начинайте собирать собственный массив данных, который будет отражать реальную экономику вашего бизнеса, а не рекламные сказки платформ. Использование облачного хранилища здесь — не роскошь, а необходимость для построения достоверной картины мира.
— @BigQuery4MarketingPro
Как Nike собрал единый профиль клиента из 40+ источников в BigQuery и перестал терять атрибуцию
Контекст
К 2024 году у Nike было больше 40 разрозненных маркетинговых платформ: приложения Nike, SNKRS, Run Club, Nike.com для 35 стран, retail-данные, программа лояльности, медиа-сети, сторонние ритейлеры. Каждый канал жил в собственной DMP (data management platform) или SaaS. Маркетологи получали отчёт, в котором атрибуция последнего клика регулярно приписывала конверсию платной выдаче Google, хотя покупатель впервые увидел бренд в подкасте или через уведомление SNKRS за 11 недель до заказа. В условиях cookie-less атрибуции такая картина стоила бюджета.
Задача
Свести поведение клиента во всех точках в один профиль, построить самообучающуюся атрибуцию и отдавать сегменты в медиа-активацию в реальном времени. При этом не нарушить GDPR и не зависеть от сторонних идентификаторов.
Решение
Nike развернул собственный слой данных на BigQuery (Google Cloud) и связал его через серверный коннектор с медийными платформами. Схема строилась вокруг сущности Member — единого идентификатора, который склеивался по логину в приложении, email в чеке, email loyalty-карты и хешу мобильного идентификатора.
Ключевые шаги:
— Событийный стрим из приложений, сайта и POS (point of sale — кассовые терминалы) лился в BigQuery через Dataflow с задержкой до 90 секунд
— Офлайн-продажи матчились с цифровым профилем по ключу клиента, что в e-com и ритейле обычно боль
— Для атрибуции использовали data-driven модель на базе BigQuery ML с Shapley Value — алгоритм справедливого распределения вклада между касаниями
— Сегменты экспортировались обратно в DV360, Meta, TikTok через server-side коннекторы, без передачи сырых персональных данных
Результат
За первый год работы: доля корректно атрибутированного медиа-вклада выросла с ~45% до ~78%. Бюджет на нижне-воронковые кампании (ориентация на тех, кто уже близок к покупке) перераспределили: +22% в brand-форматы (верхняя часть воронки, узнаваемость) и лояльность, -15% в performance-выдачу. LTV (пожизненная ценность клиента) участников Nike Membership вырос на 14% год к году. Главное — маркетинг перестал спорить с финансами о вкладе каждого канала: модель показывала вклад в инкрементальную выручку, а не в последний клик.
Урок для маркетологов
Когда атрибуция последнего клика — единственная метрика, вы обречены дотировать тот канал, который случайно оказывается последним. Data-driven подход с собственной витриной в BigQuery требует инвестиций, но окупается за счёт пересборки бюджета. В эпоху privacy-first (приоритет приватности) и роста server-side (серверная обработка данных на стороне компании) ожидать точной картины от платформ-источников — значит принимать решения с перекосом.
— @BigQuery4MarketingPro
Контекст
К 2024 году у Nike было больше 40 разрозненных маркетинговых платформ: приложения Nike, SNKRS, Run Club, Nike.com для 35 стран, retail-данные, программа лояльности, медиа-сети, сторонние ритейлеры. Каждый канал жил в собственной DMP (data management platform) или SaaS. Маркетологи получали отчёт, в котором атрибуция последнего клика регулярно приписывала конверсию платной выдаче Google, хотя покупатель впервые увидел бренд в подкасте или через уведомление SNKRS за 11 недель до заказа. В условиях cookie-less атрибуции такая картина стоила бюджета.
Задача
Свести поведение клиента во всех точках в один профиль, построить самообучающуюся атрибуцию и отдавать сегменты в медиа-активацию в реальном времени. При этом не нарушить GDPR и не зависеть от сторонних идентификаторов.
Решение
Nike развернул собственный слой данных на BigQuery (Google Cloud) и связал его через серверный коннектор с медийными платформами. Схема строилась вокруг сущности Member — единого идентификатора, который склеивался по логину в приложении, email в чеке, email loyalty-карты и хешу мобильного идентификатора.
Ключевые шаги:
— Событийный стрим из приложений, сайта и POS (point of sale — кассовые терминалы) лился в BigQuery через Dataflow с задержкой до 90 секунд
— Офлайн-продажи матчились с цифровым профилем по ключу клиента, что в e-com и ритейле обычно боль
— Для атрибуции использовали data-driven модель на базе BigQuery ML с Shapley Value — алгоритм справедливого распределения вклада между касаниями
— Сегменты экспортировались обратно в DV360, Meta, TikTok через server-side коннекторы, без передачи сырых персональных данных
Результат
За первый год работы: доля корректно атрибутированного медиа-вклада выросла с ~45% до ~78%. Бюджет на нижне-воронковые кампании (ориентация на тех, кто уже близок к покупке) перераспределили: +22% в brand-форматы (верхняя часть воронки, узнаваемость) и лояльность, -15% в performance-выдачу. LTV (пожизненная ценность клиента) участников Nike Membership вырос на 14% год к году. Главное — маркетинг перестал спорить с финансами о вкладе каждого канала: модель показывала вклад в инкрементальную выручку, а не в последний клик.
Урок для маркетологов
Когда атрибуция последнего клика — единственная метрика, вы обречены дотировать тот канал, который случайно оказывается последним. Data-driven подход с собственной витриной в BigQuery требует инвестиций, но окупается за счёт пересборки бюджета. В эпоху privacy-first (приоритет приватности) и роста server-side (серверная обработка данных на стороне компании) ожидать точной картины от платформ-источников — значит принимать решения с перекосом.
— @BigQuery4MarketingPro
Как навести порядок в GTM для маркетинга за 15 минут
Если в контейнере Google Tag Manager уже десятки тегов, триггеров и переменных, без структуры любая правка превращается в риск. Простая организация помогает быстрее находить ошибки, передавать проект команде и не ломать аналитику в момент запуска кампаний.
— Создайте папки по логике бизнеса
Разделите контейнер не «как попало», а по функциям: аналитика, пиксели, формы, e-commerce, эксперименты, служебные теги.
Так маркетолог сразу видит, где лежит то, что влияет на отчёты, а где — вспомогательные настройки.
— Сгруппируйте теги по сценарию использования
Внутри папок держите отдельные блоки под ключевые сценарии: сбор событий, передача конверсий, ретаргетинг, серверные вызовы.
Это особенно полезно, когда у проекта несколько каналов трафика и разные команды подключают свои события.
— Приведите названия к одному стандарту
Используйте понятные шаблоны: тип тега, объект, действие, канал, например: GA4_Event_Form_Submit.
Единый стиль экономит время на аудитах и снижает шанс перепутать похожие сущности.
— Включите подсветку кода в пользовательских HTML и JavaScript-элементах
Когда скрипты длинные, цветовая подсветка помогает быстрее замечать скобки, ошибки синтаксиса и лишние символы.
Это мелочь, но она сильно уменьшает число поломок при ручных правках.
— Проверяйте сложные вставки перед публикацией
Не редактируйте многострочные скрипты «на глаз» прямо в проде: сначала открывайте их в удобном формате и сверяйте логику.
Для маркетинга это критично: одна ошибка в коде = потерянные конверсии и искажённая атрибуция.
— Назначьте правила поддержки структуры
Зафиксируйте, кто создаёт папки, как называются объекты и куда попадают новые теги после запуска.
Без этого контейнер снова быстро превратится в свалку, особенно если над ним работают несколько подрядчиков.
когда это пригодится: при аудите GTM, запуске нового проекта, перед передачей контейнера в другую команду и перед любым масштабированием аналитики.
— @BigQuery4MarketingPro
Если в контейнере Google Tag Manager уже десятки тегов, триггеров и переменных, без структуры любая правка превращается в риск. Простая организация помогает быстрее находить ошибки, передавать проект команде и не ломать аналитику в момент запуска кампаний.
— Создайте папки по логике бизнеса
Разделите контейнер не «как попало», а по функциям: аналитика, пиксели, формы, e-commerce, эксперименты, служебные теги.
Так маркетолог сразу видит, где лежит то, что влияет на отчёты, а где — вспомогательные настройки.
— Сгруппируйте теги по сценарию использования
Внутри папок держите отдельные блоки под ключевые сценарии: сбор событий, передача конверсий, ретаргетинг, серверные вызовы.
Это особенно полезно, когда у проекта несколько каналов трафика и разные команды подключают свои события.
— Приведите названия к одному стандарту
Используйте понятные шаблоны: тип тега, объект, действие, канал, например: GA4_Event_Form_Submit.
Единый стиль экономит время на аудитах и снижает шанс перепутать похожие сущности.
— Включите подсветку кода в пользовательских HTML и JavaScript-элементах
Когда скрипты длинные, цветовая подсветка помогает быстрее замечать скобки, ошибки синтаксиса и лишние символы.
Это мелочь, но она сильно уменьшает число поломок при ручных правках.
— Проверяйте сложные вставки перед публикацией
Не редактируйте многострочные скрипты «на глаз» прямо в проде: сначала открывайте их в удобном формате и сверяйте логику.
Для маркетинга это критично: одна ошибка в коде = потерянные конверсии и искажённая атрибуция.
— Назначьте правила поддержки структуры
Зафиксируйте, кто создаёт папки, как называются объекты и куда попадают новые теги после запуска.
Без этого контейнер снова быстро превратится в свалку, особенно если над ним работают несколько подрядчиков.
когда это пригодится: при аудите GTM, запуске нового проекта, перед передачей контейнера в другую команду и перед любым масштабированием аналитики.
— @BigQuery4MarketingPro
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Сбер запустит свой криптокошелёк
Сбер готов запустить криптокошелёк — инфраструктура уже есть. Ждут только закона о регулировании крипты, который планируют принять к 1 сентября 2026 года.
Хранить и, судя по всему, обменивать крипту можно будет прямо в приложении — без сторонних обменников.
Но есть один нюанс, из-за которого обменники никуда не денутся. 🔍
➡️ Читайте на сайте: https://aff.top/blog/sber-zapustit-svoi-kriptokoshelek
🧠 Ещё больше инсайтов → в канале AFF.top
Сбер готов запустить криптокошелёк — инфраструктура уже есть. Ждут только закона о регулировании крипты, который планируют принять к 1 сентября 2026 года.
Хранить и, судя по всему, обменивать крипту можно будет прямо в приложении — без сторонних обменников.
Но есть один нюанс, из-за которого обменники никуда не денутся. 🔍
➡️ Читайте на сайте: https://aff.top/blog/sber-zapustit-svoi-kriptokoshelek
🧠 Ещё больше инсайтов → в канале AFF.top
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Индия потребовала от Telegram удалять пиратский контент
Индия потребовала от Telegram удалять пиратский контент — претензия в том, что платформа не ограничивает размер файлов, что позволяет свободно распространять фильмы.
Дуров ответил, что Telegram годами работает в Индии без какой-либо коммерческой выгоды для себя.
Почему давление началось именно сейчас — вопрос открытый. Возможный ответ — в блоге.
➡️ Читайте на сайте: https://aff.top/blog/indiia-potrebovala-ot-telegram-udaliat-piratskii-kontent
🧠 Ещё больше инсайтов → в канале AFF.top
Индия потребовала от Telegram удалять пиратский контент — претензия в том, что платформа не ограничивает размер файлов, что позволяет свободно распространять фильмы.
Дуров ответил, что Telegram годами работает в Индии без какой-либо коммерческой выгоды для себя.
Почему давление началось именно сейчас — вопрос открытый. Возможный ответ — в блоге.
➡️ Читайте на сайте: https://aff.top/blog/indiia-potrebovala-ot-telegram-udaliat-piratskii-kontent
🧠 Ещё больше инсайтов → в канале AFF.top
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Google ads меняет стратегию по конверсиям
Google меняет логику автоматических стратегий ставок: с 17 августа 2026 года кампании будут строже придерживаться указанного целевого CPA, а не давать лиды по минимально возможной цене.
Если сейчас твоя кампания даёт лиды по $5, а цель стоит $10 — после обновления алгоритм «поднимет» фактическую стоимость лида к целевой, зато отдаст больше трафик…
➡️ Читайте на сайте: https://aff.top/blog/google-ads-meniaet-strategiiu-po-konversiiam
🧠 Ещё больше инсайтов → в канале AFF.top
Google меняет логику автоматических стратегий ставок: с 17 августа 2026 года кампании будут строже придерживаться указанного целевого CPA, а не давать лиды по минимально возможной цене.
Если сейчас твоя кампания даёт лиды по $5, а цель стоит $10 — после обновления алгоритм «поднимет» фактическую стоимость лида к целевой, зато отдаст больше трафик…
➡️ Читайте на сайте: https://aff.top/blog/google-ads-meniaet-strategiiu-po-konversiiam
🧠 Ещё больше инсайтов → в канале AFF.top
Как не допустить, чтобы SGTM ставил cookie FPID: чек-лист для privacy-first аналитики в BigQuery
При настройке server-side через Google Tag Manager (SGTM) часто появляется cookie **FPID** — она нужна для предпочтительного использования идентификатора в Google Analytics 4 (GA4). По сути, это cookie, которая приходит в **HTTP-ответе от сервера** и помечена как **HttpOnly** (к ней не получить доступ из браузерного JavaScript).
Если цель — белая, управляемая аналитика без сюрпризов в согласиях и учёте, возьмите под контроль FPID и связанный поток данных в BigQuery.
— Определите, где именно выставляется FPID
Проверьте, какой компонент формирует HTTP-ответ (ваш сервер/контейнер). Смысл: понять “источник истины”, чтобы потом управлять настройкой, а не симптомами.
— Включите FPID по умолчанию только там, где это оправдано
Симо Алава рекомендует включать toggle на стороне server-side по умолчанию, но вы включаете его не “из любопытства”, а после проверки: влияет ли это на идентификацию и воспроизводимость данных для вашей модели атрибуции.
— Согласуйте FPID с режимом consent (согласия) и политиками хранения
HttpOnly снижает доступность для клиентского скрипта, но не отменяет необходимость корректной логики согласия: если пользователь не дал разрешение, идентификаторы не должны появляться в ответах/логах.
— Зафиксируйте, что FPID не раскрывается в событиях “как попало”
Проверьте, попадает ли FPID в параметры событий, заголовки или в payload, который улетает в BigQuery. Цель: предотвратить нежелательное распространение идентификатора по системам, где вы его не планировали хранить.
— Настройте в BigQuery контролируемую схему и валидации
Добавьте в DWH правила контроля: “есть ли FPID/какой идентификатор в связке с user_pseudo_id”, и что делать при расхождениях (например, не смешивать потоки разных режимов идентификации в отчётах).
— Проведите инвентаризацию идентификаторов в пайплайне
Сведите в таблицу: какие поля вы используете для связки (cookie/id, pseudo-id, client_id) и где создаётся/обновляется. В 2026 это критично: privacy-first атрибуция вытесняет last-click, и чистота ключей важнее количества.
— Проверьте инкрементальность поведения после изменений
Сделайте небольшой A/B в логике конфигурации (или разнесение по тестовым сегментам) и сравните метрики качества данных в BigQuery: доля событий с нужным ключом, стабильность join’ов, разрыв последовательностей.
когда это пригодится
когда вы переводите tracking на server-side/SGTM и хотите сохранить управляемость идентификаторов, не ломая согласия и связность аналитики в BigQuery.
— @BigQuery4MarketingPro
При настройке server-side через Google Tag Manager (SGTM) часто появляется cookie **FPID** — она нужна для предпочтительного использования идентификатора в Google Analytics 4 (GA4). По сути, это cookie, которая приходит в **HTTP-ответе от сервера** и помечена как **HttpOnly** (к ней не получить доступ из браузерного JavaScript).
Если цель — белая, управляемая аналитика без сюрпризов в согласиях и учёте, возьмите под контроль FPID и связанный поток данных в BigQuery.
— Определите, где именно выставляется FPID
Проверьте, какой компонент формирует HTTP-ответ (ваш сервер/контейнер). Смысл: понять “источник истины”, чтобы потом управлять настройкой, а не симптомами.
— Включите FPID по умолчанию только там, где это оправдано
Симо Алава рекомендует включать toggle на стороне server-side по умолчанию, но вы включаете его не “из любопытства”, а после проверки: влияет ли это на идентификацию и воспроизводимость данных для вашей модели атрибуции.
— Согласуйте FPID с режимом consent (согласия) и политиками хранения
HttpOnly снижает доступность для клиентского скрипта, но не отменяет необходимость корректной логики согласия: если пользователь не дал разрешение, идентификаторы не должны появляться в ответах/логах.
— Зафиксируйте, что FPID не раскрывается в событиях “как попало”
Проверьте, попадает ли FPID в параметры событий, заголовки или в payload, который улетает в BigQuery. Цель: предотвратить нежелательное распространение идентификатора по системам, где вы его не планировали хранить.
— Настройте в BigQuery контролируемую схему и валидации
Добавьте в DWH правила контроля: “есть ли FPID/какой идентификатор в связке с user_pseudo_id”, и что делать при расхождениях (например, не смешивать потоки разных режимов идентификации в отчётах).
— Проведите инвентаризацию идентификаторов в пайплайне
Сведите в таблицу: какие поля вы используете для связки (cookie/id, pseudo-id, client_id) и где создаётся/обновляется. В 2026 это критично: privacy-first атрибуция вытесняет last-click, и чистота ключей важнее количества.
— Проверьте инкрементальность поведения после изменений
Сделайте небольшой A/B в логике конфигурации (или разнесение по тестовым сегментам) и сравните метрики качества данных в BigQuery: доля событий с нужным ключом, стабильность join’ов, разрыв последовательностей.
когда это пригодится
когда вы переводите tracking на server-side/SGTM и хотите сохранить управляемость идентификаторов, не ломая согласия и связность аналитики в BigQuery.
— @BigQuery4MarketingPro
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
В Codex внедрят GPT-5.6 Ultra
OpenAI добавит в Codex эксклюзивную версию GPT-5.6 Sol Ultra — не ту, что выйдет в паблик, а отдельную, усиленную модель.
Два ключевых режима: расширенные рассуждения (модель думает дольше) и мульти-агентная работа с параллельными субагентами. Релиз ожидается 7–9 июля 2026.
Но есть один нюанс, который OpenAI пока не раскрывает 👀 Подробности — в …
➡️ Читайте на сайте: https://aff.top/blog/v-codex-vnedriat-gpt-5-6-ultra
🧠 Ещё больше инсайтов → в канале AFF.top
OpenAI добавит в Codex эксклюзивную версию GPT-5.6 Sol Ultra — не ту, что выйдет в паблик, а отдельную, усиленную модель.
Два ключевых режима: расширенные рассуждения (модель думает дольше) и мульти-агентная работа с параллельными субагентами. Релиз ожидается 7–9 июля 2026.
Но есть один нюанс, который OpenAI пока не раскрывает 👀 Подробности — в …
➡️ Читайте на сайте: https://aff.top/blog/v-codex-vnedriat-gpt-5-6-ultra
🧠 Ещё больше инсайтов → в канале AFF.top