Metamask представил свою криптокошелёк для ИИ

MetaMask выпустил криптокошелёк для ИИ-агентов, который позволяет им самим проводить платежи, торговать фьючерсами и свопами, а также делать ставки без участия человека. Вывод простой: под «мёртвый интернет» уже строят рабочую инфраструктуру, а контроль остаётся только на опасных транзакциях и в ручном подтверждении.

➡️ Читайте на сайте: https://aff.top/blog/metamask-predstavil-svoiu-kriptokoshelek-dlia-ii

🧠 Ещё больше инсайтов → в канале AFF.top

IKEA и замена «ручной аналитики» на единый стек: как сократили разрыв между маркетингом и выручкой

В 2026 у многих брендов одна и та же боль: трафик есть, отчёты есть, а понять, какие каналы реально двигают выручку, всё сложнее. У IKEA эта проблема особенно заметна из-за длинного пути клиента: поиск идеи, сравнение, визит в каталог или магазин, возврат через несколько дней, покупка не с первого касания. На таком маршруте last-click-атрибуция (атрибуция по последнему клику) даёт слишком упрощённую картину.

Задача была не просто «считать конверсии», а связать маркетинг с продажами и поведением на сайте так, чтобы команды видели один набор цифр. Для крупного ритейла это уже не вопрос удобства, а вопрос управляемости: если маркетинг оптимизируется по одним метрикам, e-commerce — по другим, а офлайн — по третьим, бюджет утекает в серую зону.

Решение строилось вокруг более зрелого MarTech-стека. Вместо разрозненных отчётов IKEA усиливала data layer, собирала события сайта в единую систему, подключала server-side-сбор данных и связывала веб-аналитику с CRM и продажами. Параллельно шёл переход к моделям, где важны не отдельные клики, а вклад каналов в путь клиента. Для оценки стали использовать не только отчётность по последнему касанию, но и инкрементальность (измерение дополнительного эффекта) и MMM — маркетинг-микс-моделирование.

Что это дало:
— меньше «слепых зон» между digital и офлайном;
— чище оценка каналов, особенно верхней воронки;
— лучшее распределение бюджета между performance и brand-активностями;
— более понятная связь между медиа-расходами и продажами.

Главный результат таких проектов обычно не в одном магическом росте ROI, а в снижении ошибки управления. Когда у команды появляется единая картина, решения принимаются быстрее, а перераспределение бюджета перестаёт быть спором мнений.

**Урок простой:** в эпоху privacy-first и ослабления last-click выигрывает не тот, у кого больше отчётов, а тот, у кого MarTech-стек умеет показывать вклад канала в выручку, а не только в клики.

— @MarTechRoundupsPro

Я короче хз зачем мне это , но напишу!
Короче смотрим за "ноунейом" ( ЕЮ ) и тот вообще крышей поехал) взял себе крутанул канал на 1млн подписчиков и хочет сделать его своим основным?
Армия ботов в перед!

Вот его новый канал если что.. https://t.me/+vKOoe6K4yL0wMzEy

MMM против last-click: как B2B-сервис перераспределил бюджет и получил +34% к квалифицированным встречам

Двухлетний кейс международного B2B-сервиса (ниша — email-инфраструктура, выручка €18 млн в год) — классическая иллюстрация того, почему last-click (атрибуция по последнему клику) в 2025–2026 годах смертельно опасна для брендов с длинным циклом сделки.

**Задача.** Команда заметила парадокс: 70% лидов приходят через брендовый поиск и прямой трафик, но CRM фиксирует, что первое касание в 60% случаев — это контент-маркетинг (статьи, сравнительные обзоры, PDF-отчеты). Last-click-модель «записывала» все конверсии на поиск и повторные визиты, а запуски educatianal-контента (обучающий контент) и вебинаров показывали близкий к нулю ROI. Бюджет на верх воронки сократили на 40% за два квартала.

**Решение.** Внедрили MMM (маркетинг-микс-моделирование) на базе Recast (аналог-конкурент Nielsen) с кастомной поправкой на время отклика. Модель учитывала не только клики, но и временные лаги (lag effects) — влияние кампании на конверсии через 14–45 дней. Добавили прокси-метрику «дочитываемость PDF-отчета до конца» как предиктор будущих встреч. Отдельно обучили модель на данных CRM: разбили лидов на «быстрые» (закрытие до 30 дней) и «длинные» (60–180 дней).

**Результат.** После пересчета доля контент-маркетинга в общей атрибуции выросла с 3% до 28%. Команда вернула бюджет на статьи и вебинары, увеличив его на 60% относительно исходного. Через 4 месяца: количество квалифицированных встреч (SQL, sales-qualified leads) выросло на 34%, а стоимость одной встречи снизилась на 21% — за счет того, что MMM «увидела» реальные драйверы. Брендовый поиск без контента потерял бы 40% конверсий (модель показала: переход из статьи в поисковый запрос почти моментальный).

**Урок.** Для B2B с циклом от 1 месяца — last-click это устаревшая атрибуция, которая убивает активность наверху воронки. MMM или incrementality (инкрементальное тестирование) дают картину сквозного влияния, особенно когда контент работает как первое касание,

— @MarTechRoundupsPro

Почему Bird использует единый MarTech-стек вместо набора разрозненных сервисов

Bird — платформа для омниканальных коммуникаций — столкнулась с типичной для зрелого B2B проблемой: маркетинг, продажи и customer success работали в разных системах, а данные о лидах и клиентах собирались вручную. В эпоху, когда MQL и SQL уже хуже отражают реальную выручку, это быстро превращается в шум вместо управления.

Задача была не просто «собирать лиды», а выстроить сквозную видимость по воронке и связать действия маркетинга с доходом. Без этого сложно отвечать на главный вопрос RevOps: что именно двигает выручку, а что только создаёт нагрузку на команду.

Решение Bird — собрать стек вокруг единой логики данных и использовать MarTech-инструменты не как отдельные «точки автоматизации», а как части одной системы. В центре — интеграция источников трафика, CRM, аналитики и коммуникаций. Такой подход позволяет:
— видеть путь клиента от первого касания до сделки и продления;
— сравнивать каналы не по последнему клику, а по вкладу в pipeline;
— быстрее находить провалы между маркетингом и продажами.

Отдельно важно, что в 2026 году это уже не «приятный апгрейд», а базовое требование рынка: privacy-first атрибуция вытесняет last-click, а на первый план выходят server-side-сбор, MMM и инкрементальность. То есть ценность даёт не объём сервисов, а качество связки между ними.

**Результат** в публичном кейсе описан качественно, без раскрытия точных цифр: команда получила более прозрачную картину по воронке и смогла выстроить более согласованную работу маркетинга, продаж и клиентского успеха.

Урок для B2B-маркетолога простой: если ваш стек не помогает ответить, где рождается выручка, он работает не на рост, а на отчётность. В 2026 году выигрывают не те, у кого больше инструментов, а те, у кого данные и процессы собраны в одну систему.

— @MarTechRoundupsPro

Как подключить BigQuery к GA4: чек-лист из 6 шагов

— Проверьте доступы к проекту BigQuery и свойству GA4. У вас должна быть роль «Редактор» в Google Analytics и права на создание наборов данных (datasets) в выбранном проекте BigQuery. Без этого связывание не даст экспорт.

— В настройках свойства GA4 перейдите в раздел «Связи с BigQuery» и нажмите «Связать». Выберите проект BigQuery, в котором будут храниться данные. Укажите регион размещения — лучше выбрать тот же, что и у вашего основного стека (например, `europe-west1`), чтобы снизить задержки и избежать проблем с регуляторикой.

— Настройте тип экспорта: *ежедневный полный дамп* (создаёт таблицу `events_YYYYMMDD`) и *потоковую передачу* (режим streaming — данные появляются в BigQuery с задержкой в несколько минут). Для полноты картины рекомендуется включить оба, если не стоит жёсткая экономия бюджета на хранении.

— Выберите, какие события отправлять. По умолчанию GA4 выгружает *все события* — это оптимально для последующего сегментирования. Если трафик огромный и хочется сократить объём, можно отфильтровать только ключевые (например, покупки, просмотры товаров), но учтите: потом потерянные данные не восстановить.

— Укажите, нужно ли включать идентификаторы пользователей (`user_id`) и параметры конфиденциальности. В эпоху privacy-first атрибуции полезно передавать `user_pseudo_id` и `ga_session_id` для построения когорт, а также настроить маскирование PII на уровне GA4, чтобы BigQuery не получал e-mail или номера телефонов.

— Проверьте связь через BigQuery: через 24 часа после настройки в выбранном наборе данных появится таблица `events_YYYYMMDD`. Если таблица пуста или не создалась — проверьте права сервисного аккаунта GA4 (обычно он добавляется автоматически как «Редактор» в BigQuery). Для быстрой проверки можно выполнить простой запрос: `SELECT COUNT(*) FROM dataset.events_* WHERE _TABLE_SUFFIX

— @MarTechRoundupsPro

«Сравниваем три подхода к атрибуции в эру privacy-first: когда last-click окончательно умирает, а MMM и incrementality занимают его место»

За последние два года маркетинговая атрибуция пережила то, что не происходило с ней за предыдущие десять: модель «последнего клика» (last-click) перестала быть хотя бы условно рабочей. Не потому что она вдруг стала хуже считать — просто сбор данных под неё разрушен. iOS 14.5, постепенное исчезновение third-party cookies в Chrome и ужесточение политик самих рекламных платформ сделали last-click атрибуцией гадание на кофейной гуще с бюджетом в миллионы.

Но отказываться от понимания того, что именно приносит выручку, нельзя. И здесь на сцену выходят три альтернативы: сквозная серверная атрибуция (server-side tracking), маркетинг-микс моделирование (MMM) и измерение инкрементальности (incrementality testing). Ни один из этих подходов не закрывает все вопросы — и именно поэтому профессионалы, работающие в логике RevOps, комбинируют их, а не выбирают один.

**Первый подход: серверная атрибуция как замена пикселям и cookie**

Server-side tracking — это не технология 2026 года, она существует лет пять. Но именно сейчас она стала не опцией, а необходимостью. Суть проста: данные о событиях передаются с вашего сервера напрямую на сервер рекламной платформы, минуя браузер пользователя и его запреты на сторонние скрипты.

Пример: B2B-платформа для автоматизации торговли «Контур.Маркет» (условный персонаж) в 2025 году полностью перевела передачу данных о регистрациях и демо-запросах на server-side. Они использовали связку: собственный CDP + Google Ads Conversions API + чистые серверные события для VK Рекламы. Результат: количество атрибутируемых конверсий не выросло (оно и не должно было), но точность совпадения с реальными продажами через CRM поднялась с 38% до 74%. Сквозная аналитика стала снова показывать, какой канал реально ведёт к лиду, а не какой просто оказался последним перед тем, как пользователь закрыл браузер.

Ограничение: server-side не решает проблему длинных и сложных B2B-циклов, где решение принимается несколько месяцев, а пользователь может переходить между рабочим ноутбуком, личным телефоном и планшетом.

**Второй подход: возвращение MMM — эконометрика вместо кликов**

Маркетинг-микс моделирование (Marketing Mix Modeling) — старый дедовский метод, основанный на регрессионном анализе исторических данных. Он не требует идентификации отдельных пользователей. MMM смотрит на агрегированные показатели: рекламные расход

— @MarTechRoundupsPro

Как сравнить 3 MarTech-инструмента для email-ретенции за 1 неделю

Если нужно быстро выбрать между ESP, CDP и сервисом для автоматизации триггеров, не начинайте с презентаций продавцов. Сделайте короткий тест на ваших данных — так за неделю станет ясно, что реально даст рост retention (удержания), а что только упростит интерфейс.

1. Зафиксируйте задачу в одной метрике. Например: повторная покупка за 30 дней, доля возвратов в базу, выручка на пользователя после первого касания. Без этого сравнение будет про «удобно/неудобно», а не про деньги.

2. Возьмите 3 сценария, которые у вас уже есть:
— welcome-цепочка для новых лидов;
— брошенная корзина или просмотр товара;
— реактивация неактивных клиентов.

3. Для каждого инструмента прогоните один и тот же сценарий на тестовой базе из 500–1000 контактов. Смотрите не демо, а реальные ограничения:
— как быстро собираются сегменты;
— можно ли строить условия по поведению, а не только по полям;
— есть ли server-side события и нормальная передача конверсий;
— как строятся отчёты по доходу, а не по открытиям писем.

4. Отдельно проверьте интеграции. Поднимите 2–3 критичных связки: CRM, веб-аналитику, склад/заказы. Если инструмент требует ручных костылей или постоянной выгрузки CSV — это сразу минус к масштабированию.

5. Оцените не интерфейс, а операционные затраты:
— сколько часов уйдёт на запуск первой кампании;
— сколько времени потребуется маркетологу без разработчика;
— сколько согласований нужно, чтобы изменить логику триггера;
— можно ли потом использовать данные в RevOps-цепочке: маркетинг → sales → customer success.

6. Сведите результат в таблицу из 5 строк: скорость запуска, качество сегментации, глубина аналитики, интеграции, TCO (полная стоимость владения). Победитель — не самый «мощный», а тот, кто даст измеримый прирост по вашей метрике за ближайшие 4–6 недель.

— @MarTechRoundupsPro

1. Выкатить ни какую он-лайн конфу я естесвенно не выкатил, потерпите

2. После прошлого видео (тык) мой канал теперь имеет юзер @PO_YICA_BRAL

3. Держите вечернее видео, я нажрусь и спать

Чото надо ещё сказать? Ну, можно лишь добавить Настя #MelBet верни деньги, не играй с огнём, со мной лучше не ссориться. Спасибо.

P.S. Бабка-то, похоже, не своей..... см. видео!

С уважением, Иванов Е.Ю!

🎁 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! 🔥

Серверная атрибуция: когда «последний клик» уже не объясняет выручку

В 2026 я всё чаще вижу, что компании меряют маркетинг как будто мир всё ещё 2019: last-click (последний клик) всё склеивает, а при этом privacy-first вносит такие «дыры» в данные, что отчёты начинают быть красивой историей, а не инструментом управления.

Из-за этого на первый план выходят инструменты для серверной атрибуции и экономических моделей (MMM, инкрементальность): не чтобы «заменить аналитику», а чтобы связать кампании с приростом выручки. Мой главный вывод: ценность появляется не в точности до последнего пикселя, а в честности к погрешности и устойчивости выводов.

Если вы выбираете MarTech сегодня — смотрите, умеет ли платформа объяснять влияние, а не только собирать события.

— @MarTechRoundupsPro

MMM-платформы смещают фокус с отчётов на симуляцию сценариев

Последний месяц замечаю тренд, который раньше был скорее на уровне обещаний в пресс-релизах. Как минимум три крупных поставщика решений для MMM (маркетинг-микс-моделирования) обновили интерфейсы так, что центральным элементом стала не «дашборд-с-цифрами», а кнопка «What if» — симуляция сценариев.

Раньше MMM воспринимался как инструмент для квартального отчёта: «сколько вернул прошлый бюджет и кто виноват». Сейчас интерфейсы подталкивают к обратному ходу — от статичного пост-анализа к динамическому бюджетному конструктору. Пользователь не смотрит на вчерашний ROI (возврат на инвестиции), а перебрасывает виртуальные 15% из brand в performance и смотрит, как изменится прогноз по общей выручке на горизонте.

Особенно интересно сочетание с MMM-driven look-alike (расширение аудитории на основе моделирования). Некоторые платформы начинают подтягивать данные не из рекламных кабинетов, а из собственной ML-модели, которая на выходе даёт не «количество конверсий», а «потенциал прироста LTV (пожизненной ценности клиента) при заданном уровне затрат». Фактически, инструмент пытается ответить на вопрос силами RevOps: «что будет с выручкой, если мы не потратим эти деньги, а отдадим их команде customer success на программу удержания?».

Видите ли вы, что ваши команды стали чаще использовать MMM не как отчётный, а как прогнозный инструмент для пересборки медиамикса в реальном времени?

— @MarTechRoundupsPro