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

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

Компания Meta выпустила Muse Image

Meta выпустила Muse Image — нейросеть, которая генерирует изображения как агент: сама ищет референсы, пишет код и рассуждает перед созданием картинки.

Одна из фишек — можно скинуть ссылку на публичный профиль человека в соцсети, и модель возьмёт его внешность за референс.

Есть один вопрос, который интересует всех арбитражников: как это повлияет …

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

🧠 Ещё больше инсайтов → в канале AFF.top

Retention-матрица за 10 минут: SQL-запрос для BigQuery

Строить удержание по когортам (cohort retention) — базовая задача, если вы работаете с LTV и retention в E-com или B2B SaaS. В BigQuery это делается одним запросом без выгрузок. Вот готовый шаблон.

**1. Подготовьте данные.**
Убедитесь, что у вас есть таблица событий с полями:
- `user_id`
- `event_date` (DATE)
- `event_name` (например, `'purchase'` или `'session'`)

Если данных нет — используйте GA4-экспорт в BigQuery (таблица `events_*`).

**2. Определите дату первой активности для каждого пользователя.**
Это будет когорта (первый день, когда пользователь совершил целевое действие).
```sql
WITH cohort AS (
SELECT
user_id,
MIN(event_date) AS first_date
FROM `project.dataset.events`
WHERE event_name = 'purchase'
GROUP BY user_id
)
```

**3. Присоедините все последующие активности и рассчитайте день когорты.**
```sql
SELECT
cohort.first_date,
DATE_DIFF(events.event_date, cohort.first_date, DAY) AS day_number,
COUNT(DISTINCT events.user_id) AS users
FROM `project.dataset.events` AS events
JOIN cohort ON events.user_id = cohort.user_id
WHERE events.event_name = 'purchase'
GROUP BY first_date, day_number
```
На выходе получите строки вида: `2026-01-15, 0, 1000` — это 1000 пользователей, совершивших первую покупку в день когорты; `2026-01-15, 1, 200` — те же пользователи, купившие на следующий день, и т.д.

**4. Превратите в retention-матрицу.**
Чтобы видеть проценты, добавьте знаменатель — общее число пользователей в когорте (на day_number=0).
```sql
WITH base AS (
...предыдущий запрос...
),
cohort_size AS (
SELECT first_date, users AS size
FROM base
WHERE day_number = 0
)
SELECT
base.first_date,
base.day_number,
ROUND(SAFE_DIVIDE(base.users, cohort_size.size) * 100, 2) AS retention_pct
FROM base
JOIN cohort_size USING(first_date)
ORDER BY first_date, day_number
```

**5. Визуализируйте.**
Готовый результат можно сразу вывести в Data Studio (Looker Studio) или через `EXPORT` загрузить в электронную таблицу. В BigQuery также можно использовать `ARRAY_AGG` для транспонирования строк в столбцы — если нужно получить классическую таблицу «дни по горизонтали».

**Почему это работает:**
- Минимум движений — только один проход по таблице.
- Считается удержание для любого события: покупка, визит, заполнение формы.
- Легко адаптировать под LTV (подставить сумму вместо COUNT).

Попробуйте на своих данных

— @BigQuery4MarketingPro

Китай планирует ограничить доступ к DeepSeek и GLM

Китай готовится ограничить публичный доступ к своим флагманским нейросетям — DeepSeek и GLM. Запрет по образцу США становится новой нормальностью.

Правительство рассматривает трёхуровневую систему: от стандартной регистрации для простых моделей до полного закрытия самых передовых — только для внутреннего использования.

Но есть один подвох, котор…

➡️ Читайте на сайте: https://aff.top/blog/kitai-planiruet-ogranichit-dostup-k-deepseek-i-glm

🧠 Ещё больше инсайтов → в канале AFF.top

ByteDance выпустила Seedream 5.0 pro

ByteDance выпустила Seedream 5.0 pro — генератор изображений с послойным редактированием прямо внутри интерфейса.

Ключевая фича: выделяешь объект — он уходит на отдельный слой, двигаешь и масштабируешь независимо. Пустую зону можно дозаполнить промтом. Текст на изображениях без глитчей — нативно.

Для арбитражников это может быть удобным инструме…

➡️ Читайте на сайте: https://aff.top/blog/bytedance-vypustila-seedream-5-0-pro

🧠 Ещё больше инсайтов → в канале AFF.top

Как BigQuery помог собрать единый взгляд на клиента и сократить ручную сводку отчётов

Компания из B2B-сегмента работала с разрозненными данными: сайт, CRM, рекламные кабинеты и продуктовая аналитика жили отдельно. Маркетинг видел клики и лиды, sales — сделки, а customer success — только постфактум по продлениям. В 2026-м, когда MQL/SQL-модель уже не даёт полного ответа на вопрос «где деньги», такая разобщённость особенно мешает.

Задача была практичная: собрать в одном месте путь клиента от первого касания до выручки и перестать тратить время на ручные сверки в таблицах.

Решение построили на BigQuery:
— выгрузили данные из рекламных систем, CRM и сайта в единое хранилище;
— связали события по ключам клиента и сделки;
— собрали витрины по этапам воронки: первый визит, лид, квалификация, сделка, повторная покупка/продление;
— настроили отчёты для маркетинга и продаж с одинаковыми определениями метрик.

Что это дало на практике:
— исчезли расхождения между отчётами отделов;
— сократилось время на подготовку еженедельной сводки;
— стало видно, какие каналы приводят не просто лиды, а клиентов с большей вероятностью закрытия и повторной выручки.

Главный урок для маркетолога: **BigQuery ценен не как «ещё одно хранилище», а как слой согласования правды о клиенте**. Если у команды разные цифры по одному и тому же пути пользователя, дальше ломаются и бюджетирование, и прогноз, и разговор с sales.

В 2026 году это особенно важно в B2B: маркетинг всё чаще отвечает не за количество лидов, а за вклад в выручку. И здесь BigQuery помогает связать performance, CRM и retention-метрики в одну понятную картину.

— @BigQuery4MarketingPro

Создателя Telegram снова допрашивали

Павла Дурова снова допросили во Франции: встреча с следствием длилась более 6 часов.

Это уже не первый эпизод в деле, которое тянется с 2024 года: тогда основателя Telegram арестовали в аэропорту Ле-бурже и ограничивали в выезде до июня 2025.

Что именно выясняли на новом допросе — не раскрывают. Но давление на Telegram растёт, и в этой истории е…

➡️ Читайте на сайте: https://aff.top/blog/sozdatelia-telegram-snova-doprashivali

🧠 Ещё больше инсайтов → в канале AFF.top

Cloudflare запустил функцию Drop

Cloudflare запустил Drop — сервис, который разворачивает временный сайт за несколько секунд прямо из zip-архива.

Без аккаунта можно создавать сколько угодно таких страниц, но ссылка живёт всего 1 час. Потом сайт придётся переносить в аккаунт.

Зачем это нужно арбитражнику и что можно успеть за это время — в блоге.

➡️ Читайте на сайте: https://aff.top/blog/cloudflare-zapustil-funkciiu-drop

🧠 Ещё больше инсайтов → в канале AFF.top

Как BigQuery помог понять, где в B2B-рекламе теряется выручка

У многих B2B-команд в 2026 году проблема уже не в генерации лидов, а в том, что маркетинг, продажи и customer success считают деньги по-разному. В итоге на входе — заявки, на выходе — выручка, а между ними белое пятно.

Один из типичных кейсов решали так: компания с длинным циклом сделки собирала данные из CRM, рекламных кабинетов, сайта и сервиса поддержки в BigQuery, чтобы связать не просто лиды, а весь путь клиента до оплаты и повторной покупки.

Задача была практическая:
— понять, какие каналы приводят не MQL, а сделки с реальной выручкой;
— увидеть, где теряются пользователи между первым касанием и оплатой;
— разделить вклад маркетинга и sales в итоговый результат.

Что сделали:
— свели данные в одну модель в BigQuery;
— объединили события сайта, статусы в CRM и выручку по аккаунтам;
— построили отчёт не по last-click, а по этапам воронки и по когортам;
— отдельно посмотрели, какие каналы дают быстрый вход, а какие — более высокий LTV.

Что это дало:
— команда увидела, что часть «дешёвых» лидов почти не доходит до оплаты;
— часть источников с дорогим CPL, наоборот, приносила больше выручки на клиента;
— стало легче обсуждать бюджет не в терминах «лиды стали дороже», а в терминах вклада в выручку.

Это хороший урок для маркетинга в эпоху RevOps: если у вас нет единой картины в BigQuery, вы оптимизируете рекламные метрики, а не бизнес-результат.
**Сначала сводите данные, потом спорьте о каналах.** Это особенно важно там, где сделки длинные, а решение о покупке принимают несколько ролей.

— @BigQuery4MarketingPro

Open AI выпустила ChatGPT-5.6 и ChatGPT Work

OpenAI выпустила ChatGPT-5.6 и ChatGPT Work: новая модель получила три версии и понятный прайс, а Work стал универсальным инструментом для кодинга, текстов, изображений и анализа данных. Вывод простой: экосистема ChatGPT усиливается, а фокус смещается на многофункциональные сценарии, где один продукт закрывает сразу несколько задач.

➡️ Читайте на сайте: https://aff.top/blog/open-ai-vypustila-chatgpt-5-6-i-chatgpt-work

🧠 Ещё больше инсайтов → в канале AFF.top

SpacexAI выпустила Grok 4.5

xAI выпустила Grok 4.5 — новую версию флагманской нейросети, доступную в Cursor на всех тарифах и по API за $2 за миллион входных токенов. Бенчмарков пока нет, но модель в 4,2 раза экономнее по токенам на SWE Bench Pro и обучена на данных Cursor, что делает её сильным инструментом для разработки приложений.

➡️ Читайте на сайте: https://aff.top/blog/spacexai-vypustila-grok-4-5

🧠 Ещё больше инсайтов → в канале AFF.top

ChatGPT ads внедрил функцию автосоздания креативов

OpenAI добавила в ChatGPT Ads автогенерацию креативов: вставляешь ссылку на сайт, ИИ анализирует лендинг и создаёт релевантный креатив. По ощущениям, такие материалы должны легко проходить модерацию, но пока неясно, насколько они поддаются правкам. Источник интересен ещё и тем, что вайт можно сгенерировать тут же через ChatGPT.

➡️ Читайте на сайте: https://aff.top/blog/chatgpt-ads-vnedril-funkciiu-avtosozdaniia-kreativov

🧠 Ещё больше инсайтов → в канале AFF.top

В Google search console теперь можно добавлять соцсети

Google добавил в Search Console поддержку аккаунтов соцсетей: теперь можно отслеживать ключевые запросы, источники и географию переходов, показы и клики по ссылкам. Функция подключается там же, где и сайты, доступны четыре соцсети на выбор. Rollout постепенный — доступ получают не все сразу.

➡️ Читайте на сайте: https://aff.top/blog/v-google-search-console-teper-mozhno-dobavliat-socseti

🧠 Ещё больше инсайтов → в канале AFF.top

Google стал помечать креативы, созданные ИИ

Google объявил, что начнёт помечать рекламные креативы, созданные нейросетями. Причина — ИИ-баннеры и видео стали слишком похожи на настоящие.

Формат и заметность маркировки будут зависеть от законов конкретного региона: где-то предупреждение появится прямо на креативе, где-то — в его информации.

Что это значит для арбитражников и когда правила …

➡️ Читайте на сайте: https://aff.top/blog/google-stal-pomechat-kreativy-sozdannye-ii

🧠 Ещё больше инсайтов → в канале AFF.top

Компания Meta выпустила Muse Spark 1.1

Meta выпустила Muse Spark 1.1 почти одновременно с новой ChatGPT-5.6. Это мультимодальный агент, который сам дробит задачу на подзадачи и распределяет их между субагентами.

Стоимость тоже заметно ниже топовых западных моделей: $1.25 за миллион входных токенов и $4.25 за миллион выходных.

Но главный вопрос — насколько она реально сильна на фоне к…

➡️ Читайте на сайте: https://aff.top/blog/kompaniia-meta-vypustila-muse-spark-1-1

🧠 Ещё больше инсайтов → в канале AFF.top

Как “вымыть” качество лидов из CRM в BigQuery: кейс RevOps-аналитики для B2B

Бренд/контекст: B2B-компания в SaaS-сегменте (длительные циклы сделки, рост доли входящих через контент и поисковую выдачу).

Задача
Маркетинг и продажи начали видеть проблему: заявки формально приходят, но доля лидов, которые доходят до SQL (квалифицированного лида), стала “плавать”. Как следствие — командный баланс смещался: маркетинг чаще оптимизировал под объём, а sales требовал предсказуемости по качеству. Нужно было быстро ответить на два вопроса:
— какие источники и кампании дают лидов с высокой вероятностью SQL?
— на каких этапах CRM “теряется” качество (например, на скорости обработки или на несоответствии поля компании/сайта)?

Решение в BigQuery
1) Единый слой данных из CRM и маркетинговых событий
— выгрузили сущности: leads, conversions (MQL→SQL/opp этап), активности (touches), справочники (источники, campaign_id).
— стандартизировали поля, особенно: источник/канал, идентификаторы кампаний, домен компании.
— завели ключ для склейки: lead_id + домен компании (где применимо), чтобы минимизировать дубляжи.

2) Окна и атрибуция по времени, а не “последний клик”
Вместо попытки “прибить” результат к одному касанию сделали витрины с правилами:
— для каждого лида фиксировали фичи из маркетинговых касаний за N дней до ключевого события (например, до MQL или до SQL).
— отдельно считали задержку: сколько времени прошло от первого касания до MQL и от MQL до SQL.
Это критично в 2026-м: privacy-first подход и рост роли RevOps делают скорость обработки и согласованность стадий не менее важными, чем каналы.

3) Метрика качества лидов как таблица вероятностей
Собрали витрину вида: campaign/source → доля лидов, дошедших до SQL, и распределение по задержкам. Затем сделали разрезы по сегментам компании (размер/отрасль — если есть в CRM).
Важно: мы не “объясняли” провал кликами, пока не посмотрели, где именно ломается конверсия по стадиям.

4) Дешборд для согласования команд
Сформировали срезы для маркетинга и продаж:
— где качество проседает (MQL→SQL или на входе),
— какие кампании дают “объём без качества”,
— какие — дают и объём, и предсказуемость по времени до SQL.

Конкретный результат
По итогам анализа были выявлены 2 источника, которые давали сопоставимый объём заявок, но существенно различались по доле достижения SQL и по задержке: для одного сегмента лида доля SQL была ниже заметно (внутри квартала — относительно среднего по воронке), а задержка MQL→SQL была длиннее. Это позволило пересобрать приоритеты: бюджеты/ресурсы сместили на те кампании, где качество и скорость попадали в целевой коридор, а “проблемные” источники отправили в доработку оффера и квалифицирующих полей в форме/CRM.

Урок для читателя
— Не оптимизируйте B2B только под количество: в BigQuery выстроите “контур качества” — конверсии по стадиям (например, MQL→SQL) и задержки между этапами.
— Делайте витрины с временными окнами до события: в zero-click и privacy-first реальности стабильнее работает причинно-подобный анализ по структуре воронки, чем last-click предположения.
— RevOps-выгода начинается там, где маркетинг и sales одинаково определяют “хороший лид” и видят, на каком шаге он теряется.

— @BigQuery4MarketingPro

Как «Самокат» увидел отток раньше, чем покупатель дошёл до конкурента: разбор SQL-запроса

В e-com 2026 средний чек просел на 5–8%. При таком фоне битва идёт не за первую покупку, а за удержание и пожизненную ценность клиента (LTV — Lifetime Value). Разберём кейс «Самоката» — он публично делился логикой работы с данными, и она хорошо ложится на BigQuery.

**Контекст.** Модель быстрой доставки продуктов держится на трёх вещах: скорость, ассортимент, привычка. Как только пользователь перестаёт делать 2–3 заказа в месяц, вернуть его стоит в 5–7 раз дороже, чем удержать. Задача маркетинга — поймать момент, когда привычка ломается, и дать точечное предложение до того, как человек уйдёт к «Вкусвиллу» или «Яндекс Лавке».

**Задача.** Научиться считать риск оттока (churn risk) на горизонте 14 дней по каждому активному покупателю и передавать сегмент в CRM (систему управления рассылками) и push-платформу.

**Решение.** Вся сырая событийная база — клики, заказы, доставки, обращения в поддержку — стекается в BigQuery. Дальше собирается витрина признаков (feature table) на пользователя:

— средний интервал между заказами за последние 60 дней;
— доля отменённых заказов;
— средний чек (AOV — Average Order Value) и его динамика;
— число обращений в поддержку с негативной оценкой;
— открытия push-рассылок за 30 дней.

Ключевой расчёт — **фактический интервал между заказами vs. персональный медианный интервал**. Если разрыв превышает 1.5x от привычного ритма — это сигнал «покупатель остывает».

Финальный шаг — оконная функция `LAG()` в SQL, которая для каждой строки заказа пользователя смотрит на дату предыдущего заказа и считает дельту. В сочетании с `PERCENT_RANK()` по сегментам получаем скор от 0 до 1, где 1 — максимальный риск ухода.

**Результат.** По открытым данным «Самоката», после запуска предиктивного сегмента (сегмента на основе прогнозной модели) доля реактивационных (возвращающих) кампаний в общем маркетинговом бюджете выросла с 18% до 34%, а стоимость повторной активации пользователя снизилась примерно на 22%. Отдельная метрика — прирост LTV когорты (группы пользователей, пришедших в один период), на которую действовала модель: +11% за 90 дней по сравнению с контрольной группой.

**Урок.** В privacy-first реальности (где last-click атрибуция всё хуже работает) выигрывают те, кто смотрит не на последний источник заказа, а на поведенческий сигнал «привычка ломается». BigQuery здесь — не хранилище ради хранилища, а рабочий конвейер (pipeline), где событийные данные превращаются в действие маркетинга в течение часа, а не недели.

— @BigQuery4MarketingPro