🎁 РОЗЫГРЫШ $2000 ОТ SERG ACCS

🥇 1 место — $1000
🥈 2 место — $700
🥉 3 место — $300

Как участвовать:
1️⃣ Подпишитесь на канал
2️⃣ Нажмите «✅ Участвую»
3️⃣ Получите 1 стартовый билет

Больше билетов:
🛒 Покупки — минимум 1 билет, далее +1 за каждые полные $50 реальной оплаты. Максимум — 50.
👥 Рефералы — +5 за первую подходящую покупку друга и +1 за каждые накопленные $100 его покупок. Максимум — 50.

Общий максимум — 100 билетов.
Чем больше билетов, тем выше шанс. Даже 1 билет участвует.

Призы начислим на баланс в боте SERG ACCS.

Итоги 15.09. Всем удачи! 🔥

Два подхода к доверию в AI-поиске сейчас выглядят особенно по-разному.

1) **«Быть в топе»** — ставка на привычный SEO-сигнал: позиции, ссылки, authority.
2) **«Быть источником»** — ставка на то, что LLM выберет вас как цитируемую сущность: ясные факты, структурированные блоки, авторство, дата, обновления, совпадение формулировок между страницей и ответом.

На тестах видно: высокий ранк не гарантирует попадание в AI-ответ, а хорошо оформленный, проверяемый контент иногда вытесняет более сильных по ссылкам конкурентов. 🔍

Практический вывод: для GEO/AEO важно не только ранжироваться, но и быть удобно проверяемым. Модель доверяет тому, что может быстро сверить, а не просто «чувствует» как популярное.

LLM-ответы хуже всего переваривают «простыню» без опор.
Если хотите, чтобы факт из статьи стал цитируемым, соберите его как набор явных сущностей:

— кто / что / где / когда
— одна мысль = один абзац
— цифры и определения ближе к началу
— одинаковые названия сущностей во всём тексте
— списки и таблицы вместо скрытого контекста

Что это даёт для GEO/AEO: модели легче выделяют факт, связывают его с брендом и вытаскивают в ответ без лишней интерпретации. 🧩

Быстрый тест: возьмите один и тот же материал и сравните, что лучше цитируется — связный эссе-текст или версия с жёсткой факт-структурой. Обычно разница видна уже в первых прогонках.

Поймать AI-ответ — это не «прописать пару ключей», а собрать страницу, которую модель видит как самый безопасный источник.

Что обычно двигает в выдачу:
— совпадение с интентом: в тестах лучше заходят страницы, где 1 запрос = 1 чёткий ответ
— короткий факт в первых 200–300 словах: у ответных блоков выше шанс на цитирование
— структурные сигналы: списки, таблицы, FAQ, definitions
— entity-связность: бренд, продукт, автор, дата, источники внутри текста

По метрикам смотрим не только трафик. Важнее:
1) доля запросов, где бренд упоминается в AI-ответе
2) число цитирований на 100 целевых запросов
3) видимость по кластерам, а не по одной статье
4) рост branded search после попаданий в ответы 📈

Практика простая: тестируем 20–30 запросов, фиксируем baseline, меняем формат ответа, сравниваем цитируемость через 7–14 дней. Без этого «попали в AI» — просто ощущение.

Когда LLM выбирает, кого процитировать, она почти всегда смотрит не только на текст, но и на сигнал доверия вокруг него. Для GEO/AEO это значит: мало быть «полезным» — нужно выглядеть проверяемым.

Мини-чек-лист для контента:
— автор и компания должны быть явно названы;
— дата обновления — видна;
— факты привязаны к первоисточникам или собственным данным;
— одинаковая сущность бренда везде: сайт, профиль, подпись, schema;
— страница не выглядит как набор общих тезисов без доказательств;
— есть признаки экспертизы: кейсы, цифры, метод, ограничения.

💡 Тест простой: откройте страницу и спросите себя — «почему именно этот материал можно цитировать?»
Если ответ расплывчатый, AI-overview тоже может пройти мимо.

Доверие в AI-поиске — это не абстракция. Это упаковка доказательств, которую можно проверить глазами и машиной.

Лонгрид о мемном кейсе Melbet vs Pepper Partners - реально ли оценить в аффилейтке репутационный ущерб в деньгах?

История на $2,000 вряд ли разрушит крупный бренд. Но она вполне может стоить ему сотен тысяч долларов и более, если публично остаётся без внятного решения.

Я в аффилейт-маркетинге более 25 лет, а последние пару лет одно из моих основных направлений - B2B matchmaking. Поэтому я регулярно вижу споры между компаниями о выплатах и претензии, и таких ситуаций в рынке явно становится больше.

Знаю многие кейсы, которые были в итоге решены благополучно до выхода в публичное поле и всегда приятно видеть, когда так происходит, но все больше и больше кейсов, которые не просто выходят в паблик, а еще и очень странным и глупым образом в паблике продолжают долго оставаться и наносить ущерб в то время как имеют очень простые и адекватные для обеих сторон варианты решения.

Вот например про один из таких кейсов писал уже здесь весной.

Если неконструктивны обе стороны (а бывает и так), то можно к этому относиться просто как к развлекательному контенту.

Но когда одна сторона открыта к адекватной коммуникации и поиску оптимального решения, а вторая сторона просто игнорирует проблему, при этом не уходя с рынка в закат, а продолжая тратить огромные бюджеты на PR и маркетинг бренда - это любопытная аномалия.

Сейчас самый заметный в аффилейт рынке пример это кейс Melbet <> Pepper Partners, который уже более месяца развивается в публичном поле и о нем уже писали и многие аффилейт медиа, и отдельные блоги, я наверно один из последних, кто у себя в блоге еще об этом не писал)

Изначальное заявление кейса и описание претензии от Pepper Partners можно почитать здесь.

Очень приличный на мой взгляд разбор со стороны и указание пары простых и логичных вариантов решения ситуации написал Артем Кравченко, можно почитать у него.

А я хочу разобрать эту историю с другой стороны, как можно оценивать репутационные потери от подобных историй непосредственно в деньгах и принимать более взвешенные решения, стоит ли вообще брендам занимать тактику игнорирования и допускать появление и продолжительное обмусоливание таких тем в паблике.

Для мелкого и крупного бренда такие истории могут иметь очень разный эффект, поэтому здесь разберем на примере крупного бренда, так как Melbet в нашем рынке относится именно к таким.

Не знаю конечно их точные цифры затрат на PR в рамках афф рынка (участие в конфах, собственные ивенты, реклама в афф медиа и т.п.), но из того, что вижу как организатор ивентов с приличным опытом, этот бюджет явно измеряется в миллионах $ в год, если не выходит за $10млн+.

Это без PR затрат на прямое привлечение игроков (бренд-амбассадоры, спонсорства футбольных клубов и т.п.), без бюджетов непосредственно на закупку трафика. Только на аффилейтку.

И вот уже более месяца в паблике незакрытый и не откоммуницированный публично кейс на $2k (две тысячи долларов).

В публичной дискуссии сейчас преобладает позиция, что Melbet в этом споре неправы.

Может их развернутая публичная позиция поменяла бы мнение, но ее нет, соответственно на данный момент так.

Какие материальные потери может понести бренд в такой истории?

Многие люди, даже очень опытные и умные, почему-то к таким ситуациям относятся бинарно.

Рухнет бренд (закроется, обанкротится) - значит плохо на них повлиял кейс.

Останется бренд жить и работать как ни в чем не бывало внешне - значит никак не повлияло и может они правильно решили игнорировать, а кто-то вообще решит брать с них пример.

Но это же совсем не так, ситуация не бинарная.

Представим не фактические цифры Melbet, которых у нас нет, а консервативную модель крупного рекламодателя.

Если из-за такого кейса бренд потеряет 10 качественных действующих активных партнёров, либо не привлечёт 10 таких новых партнёров, которые в другой ситуации начали бы с ним работать, последствия уже могут быть кратно выше суммы самого спора.

Я не знаю внутренний LTV партнёра у Melbet. Но если принять для активного опытного аффилейта условные $10,000 LTV, десять таких потерянных партнеров - это уже шестизначная сумма $ недополученного дохода. И это без учёта крупных команд, в случае которых эффект может быть кратно выше и оказаться семизначным.

Даже если в этой модели ошибиться и завысить в несколько раз, сам принцип никуда не исчезает - незакрытый публичный спор на $2,000 в любом случае обойдется бренду многократно дороже этих $2,000.

Цифры конечно я прикинул условные, но рассуждения не виртуальные - я знаю афф команды, которые перестали быть их активными партнерами из-за этого кейса.

Одна известная в рынке команда публично рассказала о своем таком решении в моем чатике про scam-кейсы.

А теперь вернемся к миллионам долларов в год, которые Melbet тратит на публичный PR среди аффов через конфы и прочие активности.

У этих трат же есть определенные ожидаемые и реальные результаты, верно?

На каждый затраченный миллион ожидается определенное количество привлеченных новых партнеров и укрепление лояльности и увеличение оборотов с определенным количеством действующих партнеров.

Вообще без понятия какая там ожидаемая сумма выхлопа на каждый потраченный миллион, поэтому обозначим ожидаемую сумму выхлопа с потраченного на PR миллиона в X.

При таком незакрытом публичном кейсе, вызывающем большой отклик и возмущение в рынке - останется эта сумма выхлопа с PR X без учета прочих факторов или она станет меньше X?

Очевидно станет меньше, доверие к бренду ниже, а значит и вложения в PR дают меньшую отдачу.

Я понимаю, что не все читатели, в том числе заинтересованные, могут дружить с математикой, и особенно понятием математического ожидания на дистанции, но вопрос здесь не только в этике и не только в справедливости конкретной претензии. Это вопрос качества управленческого решения.

Когда бренд инвестирует миллионы в доверие рынка - через конференции, медиа, партнёрские активности и PR, игнорирование аргументированного публичного конфликта снижает отдачу от всех этих вложений. Репутация не выглядит отдельной строкой в P&L, но её потеря вполне превращается в недополученный доход, более дорогой PR и менее лояльных партнёров.

Я искренне надеюсь, что все больше компаний в нашем рынке будут становиться более сознательными и не терять огромные деньги на ровном месте, и если бизнес-этика не зашита в культурный код, то хотя бы из сугубо материальных корыстных соображений начнут вести себя адекватнее)

Всем отличной недели и благоразумия)

Тестирую один и тот же запрос в AI-ответах и снова вижу разницу не в «SEO-магии», а в упаковке фактов.

Когда статья пишет тезисы как сплошной текст, LLM часто вытягивает только общий смысл.
Когда я перестраиваю материал в блоки: **определение → цифра → условие → вывод**, ответ становится заметно точнее и чаще цитирует именно нужный фрагмент.

Мой рабочий паттерн для контента под AEO:
- один факт = одна мысль
- цифры рядом с утверждением
- короткие подзаголовки вместо длинных абзацев
- сущности называем одинаково по всему тексту

📌 Наблюдение из практики: после такой структуризации AI-ответы стали реже «смешивать» наш бренд с конкурентами и чаще брать формулировку почти дословно.

Похоже, для LLM важен не только смысл, но и то, насколько быстро его можно разложить по полочкам.

$80 за FTD на СНГ — казино-оффер от ПОКЕРОК Partners

Ищете новый оффер для теста? Рассказываем, что предлагаем партнёрам:
• CPA $80 за FTD на все гео СНГ
• $100 к первой выплате для новых аффилиатов
• 5% по саб-реферальной программе
• прозрачная статистика в партнёрском кабинете
• поддержка личного менеджера

Принимаем различные источники: social, мессенджеры, YouTube / Twitch / Kick, SEO, PPC, in-app и медийный трафик.

В казино ПОКЕРОК также доступна GG99 — линейка из 20+ игр с RTP 99%, включая слоты, настольные игры, видеопокер и аркады. Это весомое преимущество для новых игроков в дополнение к приветственным бонусам.

И ещё один повод подключиться уже сейчас: 27 августа состоится Friendly Tournament для партнёров ПОКЕРОК Partners. Успейте подключиться до 25 августа, чтобы принять участие!

Присоединяйтесь к ПОКЕРОК Partners и начинайте зарабатывать на своём трафике уже сейчас!

Главная ошибка в AI-ответах — пытаться «впихнуть» ключ в текст, как в старом SEO.

LLM не выбирает страницу за плотность фразы. Он ищет:
— чёткий ответ в первых 2–3 абзацах
— entity-связность: кто, что, где, чем отличается
— подтверждение через структуру, а не через повтор
— формулировки, которые легко процитировать

Если статья начинается с воды, а полезный ответ спрятан ниже, шанс попасть в AI-overview падает.
Если есть одно сильное определение, список фактов и явные термины — шансы растут.

Мини-тест: возьмите свою статью и спросите у Perplexity или ChatGPT тот же вопрос, под который она написана. Если модель не цитирует вас дословно, проблема чаще не в «авторитетности», а в упаковке ответа. 🔍

В AI-поиске выигрывает не самый «оптимизированный» текст, а самый извлекаемый.

В AI-поиске снова всплыл старый, но важный сигнал: источники и доверие начинают весить не меньше, чем сам ответ.

По нашим тестам в Perplexity и AI Overviews модели чаще подхватывают формулировки из материалов, где есть ясная атрибуция, автор, дата, первичные данные и нормальная структура. Не магия, а проверяемая привычка: если контент выглядит как «есть за что зацепиться», его проще цитировать.

Тренд заметен и в обратную сторону: тексты без явных признаков надежности реже попадают в пересказы, даже если они хорошо написаны. Для GEO/AEO это значит простую вещь: доверие — уже не только про E-E-A-T на слайдах, а про шанс быть использованным LLM в ответе. 🔎