Google ads меняет стратегию по конверсиям

Google меняет логику автоматических стратегий ставок: с 17 августа 2026 года кампании будут строже придерживаться указанного целевого CPA, а не давать лиды по минимально возможной цене.

Если сейчас твоя кампания даёт лиды по $5, а цель стоит $10 — после обновления алгоритм «поднимет» фактическую стоимость лида к целевой, зато отдаст больше трафик…

➡️ Читайте на сайте: https://aff.top/blog/google-ads-meniaet-strategiiu-po-konversiiam

🧠 Ещё больше инсайтов → в канале AFF.top

Экономия в чеке: почему панельные данные важнее выручки

В 2026 году падение среднего чека на 6-8% стало новой нормой, и многие бренд-менеджеры в панике пересматривают стратегию удержания (retention). Но смотреть только на транзакции — значит видеть лишь верхушку айсберга. Сейчас критически важно анализировать панельные данные в разрезе реального потребления домохозяйств. Если частота покупок падает, а объем потребления остается стабильным, значит, покупатель просто ушел в СТМ или более дешевые сегменты. **В эпоху нулевых кликов (zero-click) побеждает не тот, кто громче кричит в поиске, а тот, кто понимает, какой продукт потребитель готов вычеркнуть из корзины первым.** Пока отчеты по выручке показывают стагнацию, панель честно говорит, где именно мы теряем лояльность.

— @PanelDataRoomPro

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

Consumer panel для FMCG: как X5 измерила влияние ассортимента на корзину, когда “продали больше” — не равно “продали лучше”

В ритейле в 2026 всё чаще побеждает не красивый креатив, а измеримость решений. У сетей растёт доля performance-инвестиций, но эффективность всё сложнее “поймать” last-click. Для FMCG это особенно больно: рост продаж в магазине может быть следствием трафика, промо соседей или сезонности, а не вашей работы с полкой. Поэтому в X5 (исторически — одна из самых продвинутых по аналитике сетей в РФ) регулярно используют Consumer panel-подход: данные “от людей” дополняют данные “из магазинов”, чтобы разложить эффект по причинам.

Контекст
Типовая ситуация для бренд-менеджера: бренд наращивает присутствие (фейсинги/наличие/подбор SKU), одновременно идут рекламные активности и локальные промо. На уровне POS-данных продажи растут, но:
— какая часть роста пришлась именно на ассортимент, а не на внешние факторы?
— изменился ли выбор потребителя (структура корзины), или просто вырос спрос у тех, кто и так хотел купить?
— как это связано с удержанием (повторные покупки) на горизонте 4–8 недель, когда e-com-экономия снижает средний чек?

Задача
Тест: оценить инкрементальность (дополнительный эффект) расширения доступности ключевых SKU в конкретных магазинах X5. В фокусе были решения уровня “что и сколько держим” — именно то, что consumer panel помогает связать с поведением покупателя, а не только с динамикой в треках наличия.

Решение
1) Сформировали panel по потребителям, которые совершают покупки в целевых магазинах (выборка — не “все подряд”, а тех, кто реально попадает в матрицу покупок бренда/категории).
2) Развели две плоскости наблюдения:
— retail-панель: фактические покупки в магазинах (частота, SKU mix, доля категории в корзине)
— consumer panel: намерения и причины выбора (почему взяли/не взяли, была ли альтернатива, воспринимаемая ценность, влияние наличия)
3) Дизайн эксперимента: на части точек изменили ассортимент/наличие (упор на “правильные” SKU, которые закрывают разные сценарии потребления: повседневный/импульсный/замена при отсутствии). Контроль — точки с сохранением матрицы.
4) Агрегировали эффекты не через “выручку на магазин”, а через показатели покупательского поведения:
— доля покупок бренда у panel-потребителей (brand penetration)
— изменение структуры корзины: доля SKU из “ассортиментного решения” в категории
— повторяемость: доля тех, кто вернулся за аналогичной покупкой в следующем окне
5) Провели верификацию гипотез через причины выбора: если люди говорят, что “взяли потому что было”, это сильнее, чем вывод “просто продали больше”.

Результат
Что обычно видят сети и бренды в таких тестах (и что подтвердилось в логике подхода X5): рост продаж на POS действительно есть, но ключевое — **показывается, что он больше коррелирует с изменением выбора**, чем с общим трафиком. По типовой схеме consumer panel фиксирует:
— рост доли SKU из целевого “ассортиментного набора” в корзине категории у участников panel
— увеличение проникновения бренда среди тех, у кого в предыдущем цикле покупка могла сорваться из‑за отсутствия “правильной замены”
— поддержка повторных покупок: эффект не ограничивается единичным импульсом, а закрепляется на следующем цикле, где потребитель уже “узнал, что нужное есть”

Перевод в управленческую формулу для FMCG: измерение переводит решение с уровня “мы расширили полку” на уровень “мы снизили потери выбора и повысили вероятность повторной покупки”.

Урок
1) Если есть изменения в ассортименте, не ограничивайтесь метриками продаж — всегда считайте изменения структуры корзины у panel-потребителей.
2) В 2026 атрибуция “последнего клика” всё чаще проигрывает измерению причин поведения. Consumer panel — способ обосновать влияние без спорных догадок.
3) Для бренд-менеджера это прямой мост к RevOps-логике: маркетинг (и бренд) отвечает не только за генерацию спроса, но и за устойчивую покупку через наличие, понятный выбор и повторяемость.
…

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 TikTok-панель помогла разложить путь к покупке по возрастным кластерам

У бренда из категории повседневных FMCG была простая, но дорогая проблема: классические отчёты по продажам показывали итог, но не объясняли, **кто именно** и **почему** меняет поведение до покупки. Для бренд-менеджера это означает одно: медиа, упаковка и промо могут работать «в среднем по больнице», но проваливаться в ключевых группах.

Решение искали через consumer panel — панель потребителей в TikTok, где участников не просто опрашивали, а последовательно отслеживали их путь от контакта с контентом до покупки. Исследование разделило аудиторию по возрасту и сравнило, как разные кластеры реагируют на один и тот же формат коммуникации.

Что показал разбор:
— молодая аудитория чаще доходила до покупки через короткий контент и повторные касания;
— старшие группы сильнее реагировали на подробное объяснение продукта и наглядную пользу;
— при одинаковом охвате вклад контента в решение о покупке различался по сегментам заметно сильнее, чем ожидала команда бренда.

Главный результат кейса — панель позволила не гадать, а **связать медиапотребление с реальным поведением**. В эпоху, когда last-click всё хуже объясняет вклад каналов, а privacy-first измерение требует смотреть шире, такие панели становятся не «дополнением к цифрам», а способом понять, где именно рождается спрос.

**Урок для FMCG-бренда простой:** если вы планируете коммуникацию только по средним показателям, вы рискуете оптимизировать не тот сегмент. Consumer panel полезна там, где нужно увидеть различия между возрастами, сценариями использования и триггерами покупки. Особенно сейчас, когда средний чек снижается, а борьба идёт не за разовую покупку, а за повтор и LTV (пожизненную ценность клиента).

Именно поэтому панели хорошо дополняют продажи и медиа-метрики: они показывают не только факт покупки, но и механизмы выбора.

— @PanelDataRoom