Quick rec — @DragDropDone keeps a tight feed on No-code / website builders. If today's post landed, that one's for you.
Forwarded from Потрачено! Клуб спящих бизнесменов!
This media is not supported in your browser
VIEW IN TELEGRAM
🚀 aff.top — вся индустрия арбитража в одном месте
🧠 Блог про арбитраж и ИИ — как нейросети меняют залив и антифрод
🚨 База спамеров — ежедневно собираем спамеров и ведём рейтинг
🛠 70+ инструментов — от клоаки до антифрод-чека
🎬 1000+ видео — весь YouTube про трафик в одной ленте
👤 2400+ персон — байеры и фаундеры с контактами напрямую
Без регистрации, без платных «премиумов».
👇 Подписывайся на канал
🧠 Блог про арбитраж и ИИ — как нейросети меняют залив и антифрод
🚨 База спамеров — ежедневно собираем спамеров и ведём рейтинг
🛠 70+ инструментов — от клоаки до антифрод-чека
🎬 1000+ видео — весь YouTube про трафик в одной ленте
👤 2400+ персон — байеры и фаундеры с контактами напрямую
Без регистрации, без платных «премиумов».
👇 Подписывайся на канал
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
In affiliate marketing, is the last-click winner adding value or just intercepting it?
A question with real money attached, because affiliate payouts are usually last-click and that creates a specific, exploitable incentive.
The structural problem
Last-click attribution pays whoever owns the final touch. In affiliate, that rewards channels positioned closest to the conversion regardless of whether they created demand — and it invites tactics built purely to capture the last click rather than generate the sale.
The named patterns
— Cookie stuffing: dropping affiliate cookies on users who never engaged, so the affiliate "wins" last-click on conversions they had nothing to do with.
— Brand-bidding and toolbar/coupon interception: the affiliate appears at the exact moment of purchase intent the brand already generated, harvesting credit for demand it didn't create.
— Last-touch hijacking: extensions or pop-unders that fire an affiliate click milliseconds before checkout.
The nuance
Not all last-click affiliates are parasitic — genuine content and review sites can create real consideration. The model itself can't distinguish creation from interception, which is exactly the vulnerability. This is correlation-as-payout: present at conversion is not the same as cause of conversion.
What to actually do
— Layer incrementality logic onto payouts: test whether a top affiliate's traffic is incremental via holdout or new-customer-only commission.
— Watch the gap between an affiliate's last-click share and their assisted/early-touch share; pure last-touch with no upper-funnel presence is a flag.
Bottom line for practitioners: last-click affiliate payouts reward proximity, not contribution. Build incrementality and new-customer conditions into the commission, or you'll keep paying interceptors to stand in front of demand you already made.
A question with real money attached, because affiliate payouts are usually last-click and that creates a specific, exploitable incentive.
The structural problem
Last-click attribution pays whoever owns the final touch. In affiliate, that rewards channels positioned closest to the conversion regardless of whether they created demand — and it invites tactics built purely to capture the last click rather than generate the sale.
The named patterns
— Cookie stuffing: dropping affiliate cookies on users who never engaged, so the affiliate "wins" last-click on conversions they had nothing to do with.
— Brand-bidding and toolbar/coupon interception: the affiliate appears at the exact moment of purchase intent the brand already generated, harvesting credit for demand it didn't create.
— Last-touch hijacking: extensions or pop-unders that fire an affiliate click milliseconds before checkout.
The nuance
Not all last-click affiliates are parasitic — genuine content and review sites can create real consideration. The model itself can't distinguish creation from interception, which is exactly the vulnerability. This is correlation-as-payout: present at conversion is not the same as cause of conversion.
What to actually do
— Layer incrementality logic onto payouts: test whether a top affiliate's traffic is incremental via holdout or new-customer-only commission.
— Watch the gap between an affiliate's last-click share and their assisted/early-touch share; pure last-touch with no upper-funnel presence is a flag.
Bottom line for practitioners: last-click affiliate payouts reward proximity, not contribution. Build incrementality and new-customer conditions into the commission, or you'll keep paying interceptors to stand in front of demand you already made.
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
How do you credit a digital touch for a sale that happens in a physical store?
The online-to-offline gap is where most attribution systems quietly give up, and where a large share of real marketing value lives.
Why it's hard
The conversion happens off-platform, often days later, paid in cash or a card the ad system never sees. The clean path data that digital attribution depends on simply ends at the click. Anything beyond is inference.
The methods, and their honesty levels
— Conversion lift via store visits / loyalty matching: tie ad exposure to later in-store purchases through loyalty IDs or panel data. Useful but limited to identifiable customers, and subject to matching error.
— Geo experiments: turn digital spend on and off by region and read total (online + offline) sales movement. This is the causally cleanest approach precisely because it doesn't need to trace individuals.
— MMM: naturally absorbs offline sales as the dependent variable, capturing the full demand effect of digital spend without any user stitching.
The nuance
User-level O2O matching is seductive but fragile — it over-relies on the minority of identifiable, loyalty-enrolled customers and extrapolates from them. Aggregate methods (geo, MMM) are coarser but don't smuggle in that selection bias.
What to actually do
— Prefer aggregate causal methods (geo holdouts, MMM) for the online-to-offline question; they don't pretend to a precision the data can't support.
— Use loyalty matching as a directional supplement, never the sole basis for offline credit.
Bottom line for practitioners: when conversion leaves the platform, switch from path-tracing to demand-measuring. The honest tools for offline impact are aggregate and causal, not user-level and deterministic.
The online-to-offline gap is where most attribution systems quietly give up, and where a large share of real marketing value lives.
Why it's hard
The conversion happens off-platform, often days later, paid in cash or a card the ad system never sees. The clean path data that digital attribution depends on simply ends at the click. Anything beyond is inference.
The methods, and their honesty levels
— Conversion lift via store visits / loyalty matching: tie ad exposure to later in-store purchases through loyalty IDs or panel data. Useful but limited to identifiable customers, and subject to matching error.
— Geo experiments: turn digital spend on and off by region and read total (online + offline) sales movement. This is the causally cleanest approach precisely because it doesn't need to trace individuals.
— MMM: naturally absorbs offline sales as the dependent variable, capturing the full demand effect of digital spend without any user stitching.
The nuance
User-level O2O matching is seductive but fragile — it over-relies on the minority of identifiable, loyalty-enrolled customers and extrapolates from them. Aggregate methods (geo, MMM) are coarser but don't smuggle in that selection bias.
What to actually do
— Prefer aggregate causal methods (geo holdouts, MMM) for the online-to-offline question; they don't pretend to a precision the data can't support.
— Use loyalty matching as a directional supplement, never the sole basis for offline credit.
Bottom line for practitioners: when conversion leaves the platform, switch from path-tracing to demand-measuring. The honest tools for offline impact are aggregate and causal, not user-level and deterministic.
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
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
If today's sale was caused by an ad seen three weeks ago, which report ever catches it?
The honest answer for most click-based attribution: none. Advertising carryover is a systematic blind spot, and ignoring it skews every channel comparison.
The concept
Adstock (or carryover) is the idea that advertising's effect doesn't vanish at impression — it decays over days or weeks. A brand video seen Monday can influence a purchase the following month. The decay is often summarized by a half-life: the time for the effect to fall to half its initial strength.
Why attribution misses it
Multi-touch and last-click models are bounded by the lookback window and biased toward touches near the conversion. Long-carryover, upper-funnel media (TV, brand video, audio) routinely produce effects that mature outside the window entirely — so the model assigns their downstream sales to whatever lower-funnel touch happened to close the gap. The closer didn't create the demand; the long-decay channel did.
The nuance
Adstock is also where naive MMM goes wrong in the other direction — fit too long a half-life and you let a channel claim credit for sales it didn't cause; too short and you erase its real lagged effect. The decay parameter is doing heavy lifting and is rarely estimated carefully.
What to actually do
— Recognize that any channel with long carryover is structurally under-credited by click attribution; don't judge brand media on last-click ROAS.
— Estimate adstock half-lives empirically within MMM rather than defaulting to vendor presets.
— Use long-window incrementality tests to capture lagged effects path models can't see.
Bottom line for practitioners: carryover is the reason upper-funnel media always looks weak in attribution and strong in experiments. The effect is real and lagged — measure it with methods that respect time, not snapshots that don't.
The honest answer for most click-based attribution: none. Advertising carryover is a systematic blind spot, and ignoring it skews every channel comparison.
The concept
Adstock (or carryover) is the idea that advertising's effect doesn't vanish at impression — it decays over days or weeks. A brand video seen Monday can influence a purchase the following month. The decay is often summarized by a half-life: the time for the effect to fall to half its initial strength.
Why attribution misses it
Multi-touch and last-click models are bounded by the lookback window and biased toward touches near the conversion. Long-carryover, upper-funnel media (TV, brand video, audio) routinely produce effects that mature outside the window entirely — so the model assigns their downstream sales to whatever lower-funnel touch happened to close the gap. The closer didn't create the demand; the long-decay channel did.
The nuance
Adstock is also where naive MMM goes wrong in the other direction — fit too long a half-life and you let a channel claim credit for sales it didn't cause; too short and you erase its real lagged effect. The decay parameter is doing heavy lifting and is rarely estimated carefully.
What to actually do
— Recognize that any channel with long carryover is structurally under-credited by click attribution; don't judge brand media on last-click ROAS.
— Estimate adstock half-lives empirically within MMM rather than defaulting to vendor presets.
— Use long-window incrementality tests to capture lagged effects path models can't see.
Bottom line for practitioners: carryover is the reason upper-funnel media always looks weak in attribution and strong in experiments. The effect is real and lagged — measure it with methods that respect time, not snapshots that don't.