Отбор признаков сам по себе редко спасает модель — и это хорошо видно на табличных задачах, где пытаются «умно» сократить пространство фич.
В одном исследовании на synthetic SCM-бенчмарке проверяли, помогает ли знать oracle Markov boundary — то есть минимальный набор переменных, который теоретически должен хватать для прогноза. Бенчмарк большой: 3 450 задач, от 40 до 1 000 признаков, шесть типов SCM и шесть регрессоров.
Что получилось в сухом остатке. Если модельу действительно дать правильный boundary, качество часто растёт. Особенно заметно это в более широких и разреженных признаковых пространствах, где полный набор фич шумный и тяжёлый.
Но есть важная оговорка: большинство реальных оценщиков boundary упираются в вычисления раньше, чем доходят до режима, где этот выигрыш становится заметным. А даже когда boundary удаётся восстановить, он нередко проигрывает простому full feature set.
Для медиапроектов и Telegram это полезная аналогия. Нельзя надеяться, что один «умный» фильтр по темам, источникам или метрикам автоматически поднимет ER, подписки или удержание. Иногда сокращение набора сигналов помогает, но чаще выигрывает не идеальная структура, а практичный набор признаков, который реально улучшает прогноз.
Отсюда рабочий вывод для операционки канала: проверять не только «умный» отбор, но и несколько более простых вариантов. Например, сравнивать полную корзину метрик с укороченными наборами по вовлечению, приросту, сохранениям и отклику на закупки.
Ещё один важный момент из исследования: провал recovered boundary обычно связан не с одной причиной. Чаще мешают три вещи — оптимизация под восстановление структуры, а не под качество прогноза; разная цена ложных пропусков и ложных срабатываний; и то, что «идеальный» boundary — не единственный набор фич, который может обыграть полный список.
В одном исследовании на synthetic SCM-бенчмарке проверяли, помогает ли знать oracle Markov boundary — то есть минимальный набор переменных, который теоретически должен хватать для прогноза. Бенчмарк большой: 3 450 задач, от 40 до 1 000 признаков, шесть типов SCM и шесть регрессоров.
Что получилось в сухом остатке. Если модельу действительно дать правильный boundary, качество часто растёт. Особенно заметно это в более широких и разреженных признаковых пространствах, где полный набор фич шумный и тяжёлый.
Но есть важная оговорка: большинство реальных оценщиков boundary упираются в вычисления раньше, чем доходят до режима, где этот выигрыш становится заметным. А даже когда boundary удаётся восстановить, он нередко проигрывает простому full feature set.
Для медиапроектов и Telegram это полезная аналогия. Нельзя надеяться, что один «умный» фильтр по темам, источникам или метрикам автоматически поднимет ER, подписки или удержание. Иногда сокращение набора сигналов помогает, но чаще выигрывает не идеальная структура, а практичный набор признаков, который реально улучшает прогноз.
Отсюда рабочий вывод для операционки канала: проверять не только «умный» отбор, но и несколько более простых вариантов. Например, сравнивать полную корзину метрик с укороченными наборами по вовлечению, приросту, сохранениям и отклику на закупки.
Ещё один важный момент из исследования: провал recovered boundary обычно связан не с одной причиной. Чаще мешают три вещи — оптимизация под восстановление структуры, а не под качество прогноза; разная цена ложных пропусков и ложных срабатываний; и то, что «идеальный» boundary — не единственный набор фич, который может обыграть полный список.
Почему «меньше данных» иногда лучше для Telegram-аналитики
В табличных моделях есть старая ловушка: кажется, что чем больше полей из логов, метрик и постовой статистики вы отдаёте в модель, тем выше шанс поймать рост. На практике это не всегда так. Есть класс задач, где качество улучшается, если оставить только действительно связанные с результатом признаки — то есть те, что ближе всего к целевому сигналу.
Это хорошо видно на синтетическом бенчмарке SCM3K: там проверяли тысячи задач с разной плотностью и количеством признаков. Вывод получился не очень романтичный, но полезный для медиа-операторов: если заранее знать «правильное ядро» признаков, прогноз часто становится точнее, особенно в больших и шумных пространствах. Но есть нюанс — найти это ядро на практике дорого по вычислениям, а иногда и бессмысленно, если итоговая модель на всех фичах всё равно не хуже.
Для Telegram это похоже на типичную историю с закупкой и контентом. Можно собрать десятки параметров: время публикации, длина текста, частота постинга, источник трафика, формат креативов, реакция на пост, ER, переходы, удержание. Но выигрыш даёт не сам объём наблюдений, а отбор тех переменных, которые реально объясняют подписку, дочитывание или отклик аудитории.
Практический вывод простой: не путать «структурный красивый отбор» с пользой для результата. Если вы режете фичи, сравнивайте не только сам список признаков, а финальный скор на валидации. В Telegram это особенно важно: лишний шум в данных легко создаёт ощущение контроля, но рост чаще приходит от более точного сигнала, а не от более длинной таблицы.
В табличных моделях есть старая ловушка: кажется, что чем больше полей из логов, метрик и постовой статистики вы отдаёте в модель, тем выше шанс поймать рост. На практике это не всегда так. Есть класс задач, где качество улучшается, если оставить только действительно связанные с результатом признаки — то есть те, что ближе всего к целевому сигналу.
Это хорошо видно на синтетическом бенчмарке SCM3K: там проверяли тысячи задач с разной плотностью и количеством признаков. Вывод получился не очень романтичный, но полезный для медиа-операторов: если заранее знать «правильное ядро» признаков, прогноз часто становится точнее, особенно в больших и шумных пространствах. Но есть нюанс — найти это ядро на практике дорого по вычислениям, а иногда и бессмысленно, если итоговая модель на всех фичах всё равно не хуже.
Для Telegram это похоже на типичную историю с закупкой и контентом. Можно собрать десятки параметров: время публикации, длина текста, частота постинга, источник трафика, формат креативов, реакция на пост, ER, переходы, удержание. Но выигрыш даёт не сам объём наблюдений, а отбор тех переменных, которые реально объясняют подписку, дочитывание или отклик аудитории.
Практический вывод простой: не путать «структурный красивый отбор» с пользой для результата. Если вы режете фичи, сравнивайте не только сам список признаков, а финальный скор на валидации. В Telegram это особенно важно: лишний шум в данных легко создаёт ощущение контроля, но рост чаще приходит от более точного сигнала, а не от более длинной таблицы.
Контент, который нельзя нормально «достать» по смыслу, в Telegram обычно проигрывает ещё до того, как его увидят люди.
Наблюдение из AI-исследований полезно и для медиа-операторов: текст, который живёт только как набор абзацев, хуже работает в поиске, в пересборке и в дальнейшей упаковке. А вот когда материал описан через сущности, роли, ограничения и связи между ними, он начинает существовать не только как публикация, но и как структура для повторного использования.
Именно поэтому сейчас выигрывают не просто «хорошо написанные» каналы, а те, у которых есть понятная внутренняя модель контента. Что это значит на практике:
- темы разложены по рубрикам и подтемам;
- у постов есть явный контекст: для кого, в каком сценарии, с каким выводом;
- важные сущности повторяются в разных материалах одинаково;
- база знаний, FAQ, подборки и закрепы собраны не хаотично, а по логике запросов аудитории.
Для Telegram это особенно заметно в каналах про маркетинг, медиа и операционку. Когда читатель возвращается не за «ещё одним постом», а за ответом на конкретный вопрос, структура канала становится частью продукта. Тогда проще собирать навигацию, делать внутренние ссылки, пересобирать старые материалы в новые форматы и повышать ценность архива.
Отдельный плюс — прозрачность для AI-поиска и внутренних ассистентов. Если контент связан между собой не только стилем, но и смысловыми метками, его проще извлекать, цитировать и использовать в новых подборках.
Практический вывод для админов простой: оценивать надо не только качество текста, но и то, можно ли этот текст потом найти, связать с другими и использовать повторно. Если материал нельзя быстро разложить по смысловым блокам, он хуже работает и для людей, и для машин.
Наблюдение из AI-исследований полезно и для медиа-операторов: текст, который живёт только как набор абзацев, хуже работает в поиске, в пересборке и в дальнейшей упаковке. А вот когда материал описан через сущности, роли, ограничения и связи между ними, он начинает существовать не только как публикация, но и как структура для повторного использования.
Именно поэтому сейчас выигрывают не просто «хорошо написанные» каналы, а те, у которых есть понятная внутренняя модель контента. Что это значит на практике:
- темы разложены по рубрикам и подтемам;
- у постов есть явный контекст: для кого, в каком сценарии, с каким выводом;
- важные сущности повторяются в разных материалах одинаково;
- база знаний, FAQ, подборки и закрепы собраны не хаотично, а по логике запросов аудитории.
Для Telegram это особенно заметно в каналах про маркетинг, медиа и операционку. Когда читатель возвращается не за «ещё одним постом», а за ответом на конкретный вопрос, структура канала становится частью продукта. Тогда проще собирать навигацию, делать внутренние ссылки, пересобирать старые материалы в новые форматы и повышать ценность архива.
Отдельный плюс — прозрачность для AI-поиска и внутренних ассистентов. Если контент связан между собой не только стилем, но и смысловыми метками, его проще извлекать, цитировать и использовать в новых подборках.
Практический вывод для админов простой: оценивать надо не только качество текста, но и то, можно ли этот текст потом найти, связать с другими и использовать повторно. Если материал нельзя быстро разложить по смысловым блокам, он хуже работает и для людей, и для машин.
Агентам в Telegram-операционке часто не хватает не мощности, а дисциплины памяти.
В свежих экспериментах с Loong интересно не то, что он умеет переводить длинные документы, а то, как он решает, что вообще стоит держать в голове. Вместо привычной схемы «запихнуть весь контекст в окно» у него работает цикл observe-and-act: система смотрит на задачу, действует, потом пересобирает память под следующую итерацию. За счёт этого качество на длинных текстах выросло заметно и без тупого раздувания контекста.
Самая полезная часть для медиа-операций — трёхслойная память:
- Essence — короткая выжимка сути;
- Exemplar — удачные примеры и пары формулировок;
- Entity — сущности, факты, сущности по проекту, бренду, теме.
Это ближе к тому, как живут нормальные Telegram-каналы и сетки: не весь архив постов нужен каждый раз, а только правильный фрагмент — прошлый тон, удачная подача, ключевые сущности, реакция аудитории, ограничения по бренду.
Что здесь важно для админов и контент-команд:
1. Перестать подмешивать в каждый запрос весь хвост переписки и все прошлые посты.
2. Разделить память на уровни: кратко, примеры, факты.
3. Дать системе право выбирать, что подтянуть в конкретной задаче, а не делать retrieval «на всякий случай».
Для daily reports, контент-ревью и подготовки закупочных текстов это особенно полезно. Вместо одного жирного RAG-слоя лучше собрать память как рабочий стол: сверху — суть, рядом — удачные референсы, отдельно — факты и ограничения. Такой подход обычно даёт больше стабильности, чем попытка кормить агента всем подряд.
В свежих экспериментах с Loong интересно не то, что он умеет переводить длинные документы, а то, как он решает, что вообще стоит держать в голове. Вместо привычной схемы «запихнуть весь контекст в окно» у него работает цикл observe-and-act: система смотрит на задачу, действует, потом пересобирает память под следующую итерацию. За счёт этого качество на длинных текстах выросло заметно и без тупого раздувания контекста.
Самая полезная часть для медиа-операций — трёхслойная память:
- Essence — короткая выжимка сути;
- Exemplar — удачные примеры и пары формулировок;
- Entity — сущности, факты, сущности по проекту, бренду, теме.
Это ближе к тому, как живут нормальные Telegram-каналы и сетки: не весь архив постов нужен каждый раз, а только правильный фрагмент — прошлый тон, удачная подача, ключевые сущности, реакция аудитории, ограничения по бренду.
Что здесь важно для админов и контент-команд:
1. Перестать подмешивать в каждый запрос весь хвост переписки и все прошлые посты.
2. Разделить память на уровни: кратко, примеры, факты.
3. Дать системе право выбирать, что подтянуть в конкретной задаче, а не делать retrieval «на всякий случай».
Для daily reports, контент-ревью и подготовки закупочных текстов это особенно полезно. Вместо одного жирного RAG-слоя лучше собрать память как рабочий стол: сверху — суть, рядом — удачные референсы, отдельно — факты и ограничения. Такой подход обычно даёт больше стабильности, чем попытка кормить агента всем подряд.
Privacy в programmatic теперь обсуждают не как отдельную «галочку», а как слой, который влияет на всю цепочку закупки.
IAB Tech Lab в последних активностях снова сводит вместе три темы: потери сигналов, приватность и agentic advertising — когда часть решений в медиапроцессе начинают принимать не люди, а системы и агенты. И это важный сдвиг для всех, кто работает с трафиком, атрибуцией и supply chain.
Что бросается в глаза:
— в повестке Tech Lab много внимания supply chain validation для sellers: продавцу уже мало просто знать, что домен где-то участвует в цепочке, нужно понимать, как он проходит верификацию и где именно «засвечен»;
— privacy рассматривают не отдельно от инфраструктуры, а вместе с API, taxonomies и качеством сигналов;
— AI и CTV всё сильнее завязаны на структуру данных, а не только на объём доступного трафика.
Для media ops здесь несколько практических выводов.
Первый: server-side и атрибуция упираются не в количество идентификаторов, а в доверие к источнику сигнала. Если сигнал плохо описан, плохо размечен или теряется по пути, никакая «добавка» его не спасёт.
Второй: доменная прозрачность становится операционной задачей. Для тех, кто работает с programmatic, CTV или retail media, вопрос «как и где домен учитывается в supply chain» уже не формальность для юристов.
Третий: taxonomies в AI-среде — это не косметическая настройка. Чем сложнее автоматизация, тем выше цена плохой классификации. Модель может быть умной, но решение она всё равно примет на базе той семантики, которую ей дали.
Если коротко: рынок движется от попытки собрать больше данных к попытке сделать данные внятными, проверяемыми и пригодными для автоматических решений. Для операторов каналов и медиакоманд это меняет не только закупку, но и саму логику измерения качества.
IAB Tech Lab в последних активностях снова сводит вместе три темы: потери сигналов, приватность и agentic advertising — когда часть решений в медиапроцессе начинают принимать не люди, а системы и агенты. И это важный сдвиг для всех, кто работает с трафиком, атрибуцией и supply chain.
Что бросается в глаза:
— в повестке Tech Lab много внимания supply chain validation для sellers: продавцу уже мало просто знать, что домен где-то участвует в цепочке, нужно понимать, как он проходит верификацию и где именно «засвечен»;
— privacy рассматривают не отдельно от инфраструктуры, а вместе с API, taxonomies и качеством сигналов;
— AI и CTV всё сильнее завязаны на структуру данных, а не только на объём доступного трафика.
Для media ops здесь несколько практических выводов.
Первый: server-side и атрибуция упираются не в количество идентификаторов, а в доверие к источнику сигнала. Если сигнал плохо описан, плохо размечен или теряется по пути, никакая «добавка» его не спасёт.
Второй: доменная прозрачность становится операционной задачей. Для тех, кто работает с programmatic, CTV или retail media, вопрос «как и где домен учитывается в supply chain» уже не формальность для юристов.
Третий: taxonomies в AI-среде — это не косметическая настройка. Чем сложнее автоматизация, тем выше цена плохой классификации. Модель может быть умной, но решение она всё равно примет на базе той семантики, которую ей дали.
Если коротко: рынок движется от попытки собрать больше данных к попытке сделать данные внятными, проверяемыми и пригодными для автоматических решений. Для операторов каналов и медиакоманд это меняет не только закупку, но и саму логику измерения качества.
Когда отбор признаков помогает, а когда только съедает ресурс
В исследовании на синтетическом бенчмарке SCM3K проверили довольно практичную вещь: стоит ли ограничивать модель не всем набором сигналов, а только oracle Markov boundary — тем подмножеством признаков, которое теоретически должно достаточно описывать задачу.
На 3 450 задачах, с 40–1000 признаками и шестью семействами SCM выяснилось: в ряде случаев такое ограничение действительно улучшает прогноз. Особенно заметен эффект там, где пространство признаков большое и разреженное. То есть чем больше шума и лишних переменных, тем сильнее шанс, что аккуратный отбор даст прирост.
Но дальше начинается то, что знакомо любому, кто строил рабочие пайплайны: сама идея «правильного» отбора еще не гарантирует пользы. В реальных условиях оценщики Markov boundary часто тратят слишком много вычислений на попытку восстановить структуру, а не на улучшение предсказания. В итоге они не доходят до того режима, где могли бы показать максимум.
Авторы отдельно отмечают три слабых места: ошибки пропуска и ложного включения бьют по качеству не одинаково; оптимизация идет под восстановление структуры, а не под целевую метрику; и даже точная boundary — не единственный набор, который может обыграть полный список признаков.
Для Telegram-каналов, AI-поиска и контент-операций вывод простой: отбор сигналов нужен не как модная идея, а как инструмент под конкретную метрику. Если фильтрация съедает время, бюджет и сложность, но не дает прироста в результате, то она превращается в декоративную оптимизацию.
В закупках, аналитике и контентных цепочках полезен не «идеальный» набор признаков, а тот, который быстрее приводит к лучшему решению.
В исследовании на синтетическом бенчмарке SCM3K проверили довольно практичную вещь: стоит ли ограничивать модель не всем набором сигналов, а только oracle Markov boundary — тем подмножеством признаков, которое теоретически должно достаточно описывать задачу.
На 3 450 задачах, с 40–1000 признаками и шестью семействами SCM выяснилось: в ряде случаев такое ограничение действительно улучшает прогноз. Особенно заметен эффект там, где пространство признаков большое и разреженное. То есть чем больше шума и лишних переменных, тем сильнее шанс, что аккуратный отбор даст прирост.
Но дальше начинается то, что знакомо любому, кто строил рабочие пайплайны: сама идея «правильного» отбора еще не гарантирует пользы. В реальных условиях оценщики Markov boundary часто тратят слишком много вычислений на попытку восстановить структуру, а не на улучшение предсказания. В итоге они не доходят до того режима, где могли бы показать максимум.
Авторы отдельно отмечают три слабых места: ошибки пропуска и ложного включения бьют по качеству не одинаково; оптимизация идет под восстановление структуры, а не под целевую метрику; и даже точная boundary — не единственный набор, который может обыграть полный список признаков.
Для Telegram-каналов, AI-поиска и контент-операций вывод простой: отбор сигналов нужен не как модная идея, а как инструмент под конкретную метрику. Если фильтрация съедает время, бюджет и сложность, но не дает прироста в результате, то она превращается в декоративную оптимизацию.
В закупках, аналитике и контентных цепочках полезен не «идеальный» набор признаков, а тот, который быстрее приводит к лучшему решению.
Диверсификация в Telegram часто оказывается иллюзией
Для медиа-оператора знакомая ловушка выглядит так: закупили 10 каналов, разложили бюджет по разным тематикам, а по факту пришли к одной и той же аудитории. В отчёте это выглядит как «распределили риски», в реальности — просто купили несколько точек входа в один и тот же сегмент.
Похожая история давно видна и в крупных рекламных экосистемах. Разные площадки не всегда означают разные люди. Один и тот же пользователь может читать ленту на YouTube, листать Instagram, заходить в TikTok и при этом попадать в пересекающиеся таргет-группы. Для медиапланирования это важный сигнал: расширение набора источников не гарантирует расширение охвата в чистом виде.
В Telegram это особенно заметно на закупках по каналам-«соседям». Каналы могут отличаться по обложке, тону и формату постов, но собирать один и тот же спрос, один и тот же интерес и одну и ту же частоту контакта. В результате ER вроде бы держится, подписки идут, но инкрементальный эффект от каждого нового размещения снижается.
Отсюда практический вывод: смотреть нужно не на количество площадок в медиамиксе, а на пересечение по поведению. Кто уже видит ваш контент? Где аудитория повторяется? Что приносит не просто просмотры, а новые сегменты и новую глубину контакта?
Именно поэтому «диверсификация по логотипам» часто не работает. А вот диверсификация по кластерам интересов, сценарием потребления и пост-кликовому поведению — уже рабочий инструмент для админа и закупщика.
Для медиа-оператора знакомая ловушка выглядит так: закупили 10 каналов, разложили бюджет по разным тематикам, а по факту пришли к одной и той же аудитории. В отчёте это выглядит как «распределили риски», в реальности — просто купили несколько точек входа в один и тот же сегмент.
Похожая история давно видна и в крупных рекламных экосистемах. Разные площадки не всегда означают разные люди. Один и тот же пользователь может читать ленту на YouTube, листать Instagram, заходить в TikTok и при этом попадать в пересекающиеся таргет-группы. Для медиапланирования это важный сигнал: расширение набора источников не гарантирует расширение охвата в чистом виде.
В Telegram это особенно заметно на закупках по каналам-«соседям». Каналы могут отличаться по обложке, тону и формату постов, но собирать один и тот же спрос, один и тот же интерес и одну и ту же частоту контакта. В результате ER вроде бы держится, подписки идут, но инкрементальный эффект от каждого нового размещения снижается.
Отсюда практический вывод: смотреть нужно не на количество площадок в медиамиксе, а на пересечение по поведению. Кто уже видит ваш контент? Где аудитория повторяется? Что приносит не просто просмотры, а новые сегменты и новую глубину контакта?
Именно поэтому «диверсификация по логотипам» часто не работает. А вот диверсификация по кластерам интересов, сценарием потребления и пост-кликовому поведению — уже рабочий инструмент для админа и закупщика.
Google Ads API готовят к более мягкой работе с офлайн-конверсиями
В середине 2026 в Google Ads API ожидаются изменения, которые затронут импорт offline conversions. Важно, что речь не про поломку контракта и не про «ломку» интеграции: breaking changes Google не анонсировал. Но поведение загрузок и распределение ошибок после обновления могут заметно измениться.
Что видно уже сейчас по анонсу:
- часть устаревших GCLID и кликов, которые идут до конверсии, начнут атрибутироваться иначе;
- в логах импорта должно стать меньше типовых ошибок вроде EXPIRED_EVENT и CONVERSION_PRECEDES_EVENT;
- отдельно доработают сценарии, где конверсии загружаются не напрямую из того аккаунта, который ведёт трафик, а через manager/client-структуру.
Для медиа-операций это не абстрактный релиз. Если у вас CRM-события, postback-цепочки, выгрузки из коллтрекинга или офлайн-сделки, сейчас хороший момент посмотреть, где именно у вас теряются конверсии:
- это реально «протухший» клик;
- это проблема порядка событий;
- или это вопрос прав доступа между аккаунтами.
Практический смысл апдейта простой: после выката часть текущих алертов может стать шумной, а часть багов — наоборот, всплывёт уже как архитектурная проблема, а не как единичная ошибка загрузки. Поэтому стоит заранее зафиксировать базовую долю EXPIRED_EVENT и CONVERSION_PRECEDES_EVENT и смотреть на неё после релиза, а не по ощущениям.
Если у вас импорт офлайна завязан на MCC или на несколько клиентских аккаунтов, права и схему передачи конверсий лучше перепроверить заранее. Сам API-процесс, судя по анонсу, переписывать не придётся, но операционную часть — точно.
В середине 2026 в Google Ads API ожидаются изменения, которые затронут импорт offline conversions. Важно, что речь не про поломку контракта и не про «ломку» интеграции: breaking changes Google не анонсировал. Но поведение загрузок и распределение ошибок после обновления могут заметно измениться.
Что видно уже сейчас по анонсу:
- часть устаревших GCLID и кликов, которые идут до конверсии, начнут атрибутироваться иначе;
- в логах импорта должно стать меньше типовых ошибок вроде EXPIRED_EVENT и CONVERSION_PRECEDES_EVENT;
- отдельно доработают сценарии, где конверсии загружаются не напрямую из того аккаунта, который ведёт трафик, а через manager/client-структуру.
Для медиа-операций это не абстрактный релиз. Если у вас CRM-события, postback-цепочки, выгрузки из коллтрекинга или офлайн-сделки, сейчас хороший момент посмотреть, где именно у вас теряются конверсии:
- это реально «протухший» клик;
- это проблема порядка событий;
- или это вопрос прав доступа между аккаунтами.
Практический смысл апдейта простой: после выката часть текущих алертов может стать шумной, а часть багов — наоборот, всплывёт уже как архитектурная проблема, а не как единичная ошибка загрузки. Поэтому стоит заранее зафиксировать базовую долю EXPIRED_EVENT и CONVERSION_PRECEDES_EVENT и смотреть на неё после релиза, а не по ощущениям.
Если у вас импорт офлайна завязан на MCC или на несколько клиентских аккаунтов, права и схему передачи конверсий лучше перепроверить заранее. Сам API-процесс, судя по анонсу, переписывать не придётся, но операционную часть — точно.
Отбор фич в таблицах не всегда помогает качеству модели
Есть любопытный вывод из большого синтетического бенчмарка SCM3K: если у модели в табличке тысячи признаков, то «оставить только важные» далеко не всегда означает выиграть в качестве. На части задач ограничение модели только на Markov boundary — то есть на минимально достаточный набор признаков — действительно давало заметный прирост. Особенно там, где фич много, а полезный сигнал размазан по широкому пространству.
Но дальше начинается неприятная практика. Методы, которые пытаются этот boundary найти, сами по себе часто слишком дорогие по compute. К моменту, когда они успевают что-то восстановить, экономия уже не выглядит оправданной. А в ряде случаев полный набор признаков всё равно обгоняет «умный» отбор.
Для медиа-операций и каналов это хороший ориентир: если вы собираете скоринг по подписчикам, ранжируете лиды, прогнозируете отклик на посты или закупку, не надо считать feature selection автоматическим улучшением. У отбора фич и у качества предсказания разные цели. Можно красиво восстановить структуру данных и при этом не поднять метрику на валидации.
Практический вывод простой: проверять нужно не только «насколько точен отбор признаков», но и даёт ли он измеримый прирост относительно baseline с полным набором фич. Иногда лучший результат дают не самые «чистые» признаки, а более грубая, но стабильная модель, которая не тратит ресурсы на сложную реконструкцию структуры.
Есть любопытный вывод из большого синтетического бенчмарка SCM3K: если у модели в табличке тысячи признаков, то «оставить только важные» далеко не всегда означает выиграть в качестве. На части задач ограничение модели только на Markov boundary — то есть на минимально достаточный набор признаков — действительно давало заметный прирост. Особенно там, где фич много, а полезный сигнал размазан по широкому пространству.
Но дальше начинается неприятная практика. Методы, которые пытаются этот boundary найти, сами по себе часто слишком дорогие по compute. К моменту, когда они успевают что-то восстановить, экономия уже не выглядит оправданной. А в ряде случаев полный набор признаков всё равно обгоняет «умный» отбор.
Для медиа-операций и каналов это хороший ориентир: если вы собираете скоринг по подписчикам, ранжируете лиды, прогнозируете отклик на посты или закупку, не надо считать feature selection автоматическим улучшением. У отбора фич и у качества предсказания разные цели. Можно красиво восстановить структуру данных и при этом не поднять метрику на валидации.
Практический вывод простой: проверять нужно не только «насколько точен отбор признаков», но и даёт ли он измеримый прирост относительно baseline с полным набором фич. Иногда лучший результат дают не самые «чистые» признаки, а более грубая, но стабильная модель, которая не тратит ресурсы на сложную реконструкцию структуры.
TikTok снова двигает аналитику от «посмотреть на аудитории» к нормальной работе с воронкой
Платформа обновила TikTok Market Scope так, чтобы медиапланирование было ближе к реальным задачам баинга. Теперь в одном дашборде разнесены два разных сценария:
— покупки внутри TikTok Shop
— конверсии на сайте
Для операционки это полезнее, чем кажется. Когда in-app покупки и веб-заявки лежат в одной куче, легко сделать неверный вывод о том, что именно тянет результат: креатив, площадка, товар или просто удачный оффер. Раздельная аналитика помогает точнее считать вклад каждого канала и не смешивать короткий путь до покупки с более длинным.
Ещё одно заметное обновление — блок Tentpole Strategy внутри Brand Perception. Он показывает сезонные пики и поведенческие окна вроде Black Friday или Back to School. По сути, это подсказка, когда лучше усиливать присутствие, заранее прогревать спрос и поднимать частоту контакта, а не включаться в кампанию уже после начала пика.
Сам TikTok Market Scope позиционирует как first-party analytics platform — инструмент для поиска, понимания и активации аудиторий на разных этапах воронки. И это хорошо ложится на текущий тренд: платформы все чаще продают не просто охват, а более точную работу с consideration-сегментами, то есть с людьми, которые уже проявили интерес, но ещё не дошли до покупки.
У них же есть пара цифр, которые стоит держать в голове:
— consideration-аудитории в CPG дали 4,2x incremental sales против awareness
— в retail такие сегменты показали 1,8x по store visits и 1,5x по sales response
Вывод для админов и медиа-операторов простой: если вы до сих пор строите Telegram- и performance-логику только на делении «холодные/ретаргет», этого уже мало. Работает не только стадия контакта, но и момент входа в рынок. А значит, сезонность, прогрев и более тонкая сегментация аудитории становятся не украшением стратегии, а её основой.
Платформа обновила TikTok Market Scope так, чтобы медиапланирование было ближе к реальным задачам баинга. Теперь в одном дашборде разнесены два разных сценария:
— покупки внутри TikTok Shop
— конверсии на сайте
Для операционки это полезнее, чем кажется. Когда in-app покупки и веб-заявки лежат в одной куче, легко сделать неверный вывод о том, что именно тянет результат: креатив, площадка, товар или просто удачный оффер. Раздельная аналитика помогает точнее считать вклад каждого канала и не смешивать короткий путь до покупки с более длинным.
Ещё одно заметное обновление — блок Tentpole Strategy внутри Brand Perception. Он показывает сезонные пики и поведенческие окна вроде Black Friday или Back to School. По сути, это подсказка, когда лучше усиливать присутствие, заранее прогревать спрос и поднимать частоту контакта, а не включаться в кампанию уже после начала пика.
Сам TikTok Market Scope позиционирует как first-party analytics platform — инструмент для поиска, понимания и активации аудиторий на разных этапах воронки. И это хорошо ложится на текущий тренд: платформы все чаще продают не просто охват, а более точную работу с consideration-сегментами, то есть с людьми, которые уже проявили интерес, но ещё не дошли до покупки.
У них же есть пара цифр, которые стоит держать в голове:
— consideration-аудитории в CPG дали 4,2x incremental sales против awareness
— в retail такие сегменты показали 1,8x по store visits и 1,5x по sales response
Вывод для админов и медиа-операторов простой: если вы до сих пор строите Telegram- и performance-логику только на делении «холодные/ретаргет», этого уже мало. Работает не только стадия контакта, но и момент входа в рынок. А значит, сезонность, прогрев и более тонкая сегментация аудитории становятся не украшением стратегии, а её основой.
Disney на CES показала, куда двигается рекламная аналитика: не отдельные отчёты, не набор разрозненных метрик, а одна связанная система, где медиапланирование, данные, идентификаци
Для админов каналов и медиа-операторов здесь важен не сам анонс Disney, а логика рынка. Большие площадки всё чаще пытаются замкнуть на себя весь цикл: от планирования размещения до доказательства эффекта. Если раньше у закупки, креатива и отчётности были свои «острова», то теперь платформы стремятся собрать их в единый стек.
Disney отдельно вывела Compass — инструмент, который должен связать планирование, работу с данными и measurement в одном контуре. Параллельно показали Brand Impact Metric: идея в том, чтобы смотреть не только на охват, но и на внимание, состояние бренда, поисковое поведение и атрибуцию в одной рамке.
Это важно ещё и потому, что рынок давно живёт с искажённой картиной эффективности. В материале упоминается оценка Ogury: больше половины поисков в Google заканчиваются без клика. А Digital Envoy напоминает о другой проблеме — точность распознавания аудитории часто сильно ниже ожидаемой.
Что это значит для Telegram-медиа и закупок в целом:
если вы работаете с крупными инвентарными сетками, CTV или brandformance, стоит заранее понять, какие сигналы платформа реально отдаёт наружу, как они будут биться с вашей внутренней атрибуцией и не начнёт ли отчётность зависеть от чужой идентификации аудитории.
Сейчас это выглядит не как замена классическим метрикам, а как ещё одна попытка крупных экосистем контролировать интерпретацию результата.
Для админов каналов и медиа-операторов здесь важен не сам анонс Disney, а логика рынка. Большие площадки всё чаще пытаются замкнуть на себя весь цикл: от планирования размещения до доказательства эффекта. Если раньше у закупки, креатива и отчётности были свои «острова», то теперь платформы стремятся собрать их в единый стек.
Disney отдельно вывела Compass — инструмент, который должен связать планирование, работу с данными и measurement в одном контуре. Параллельно показали Brand Impact Metric: идея в том, чтобы смотреть не только на охват, но и на внимание, состояние бренда, поисковое поведение и атрибуцию в одной рамке.
Это важно ещё и потому, что рынок давно живёт с искажённой картиной эффективности. В материале упоминается оценка Ogury: больше половины поисков в Google заканчиваются без клика. А Digital Envoy напоминает о другой проблеме — точность распознавания аудитории часто сильно ниже ожидаемой.
Что это значит для Telegram-медиа и закупок в целом:
если вы работаете с крупными инвентарными сетками, CTV или brandformance, стоит заранее понять, какие сигналы платформа реально отдаёт наружу, как они будут биться с вашей внутренней атрибуцией и не начнёт ли отчётность зависеть от чужой идентификации аудитории.
Сейчас это выглядит не как замена классическим метрикам, а как ещё одна попытка крупных экосистем контролировать интерпретацию результата.