Павла Дурова официально внесли в список террористов

В статье разбирают, как в РФ Telegram и лично Павла Дурова связали с обвинениями в содействии терроризму из-за бота «Дайвинчик». Вывод простой: претензия власти направлена не на сам мессенджер как продукт, а на его инфраструктуру и инструменты внутри него, но для пользователей это сигнал о росте рисков и непредсказуемости правил.

➡️ Читайте на сайте: https://aff.top/blog/pavla-durova-oficialno-vnesli-v-spisok-terroristov

🧠 Ещё больше инсайтов → в канале AFF.top

OpenAI извинились за новый дизайн ChatGPT

OpenAI признала, что новый десктопный ChatGPT вышел перегруженным: слитые в один интерфейс Chat, Work и Codex запутали пользователей и раздули приложение почти в 10 раз. После хейта обновление откатили, а вывод простой: функции надо упаковывать в единый UX без лишнего шума, даже если это помогает росту базы.

➡️ Читайте на сайте: https://aff.top/blog/openai-izvinilis-za-novyi-dizain-chatgpt

🧠 Ещё больше инсайтов → в канале AFF.top

Скрытая причина «не бьётся» промо: у панелей чаще проблема не в данных, а в допущениях

У меня в retail-панелях есть повторяющийся сценарий: бренд честно запускает промо, получает рост доли в категории, но в отчёте «эффект промо не подтверждается» — обычно это спор между маркетингом и аналитикой. И почти всегда спор упирается не в качество выборки, а в то, как мы задали допущение о том, что считать «эффектом».

В 2026-м это особенно заметно: последняя атрибуция (last-click) умерла, e-com-чека на ровном месте становится меньше на 5–8% из‑за экономии, а в AI-overviews пользователи получают ответ без перехода к бренду. В таких условиях промо перестаёт быть просто “стимулом на покупку” и становится элементом поведения в цикле выбора: скидка влияет на то, *когда* человек решит купить, *какой* канал выбрать и *какие* альтернативы отложит.

Как это проявляется в consumer panel:

1) Мы измеряем «прирост продаж у покупателей» — и видим рост.
2) Но для контрольной группы покупатели отличаются по составу корзины и частоте покупок.
3) Мы сравниваем «до/после» без корректного учёта, что люди приходят в панель с разным уровнем промо-готовности.

На практике это выглядит так: панель показывает рост у группы, которая априори больше реагирует на скидки. Формально промо сработало, но аналитическая модель ожидает, что контрольная группа будет «похожей» в промо-реактивности. А она не похожа, потому что реактивность — не демография и не регион. Это сочетание привычек покупки (частота визитов в ритейл), «закрываемости» потребности (есть ли запас) и структуры альтернатив (чем бренд конкурирует на полке в момент выбора).

Моё наблюдение из работы: когда мы в панелях вводим сегментацию по промо-устойчивости (по истории покупок в предыдущие волны) и перестаём считать, что контроль “почти такой же”, расхождения между «промо дало эффект» и «промо не дало эффект» уходят. Обычно не потому, что мы нашли магическую модель, а потому что перестали сравнивать несравнимое.

Что я предлагаю бренд-менеджеру делать иначе — без усложнений:

— Формулировать вопрос не как «какой был lift продаж», а как «что именно изменилось в выборе и очередности покупок».
— Включать в измерение не только факт покупки, но и ближайшую замену: купили бы A или заменили на B, и с каким лагом.
— Для оценки эффекта в панелях использовать инкрементальность, а не “до/после”: сопоставлять с тем, как в аналогичных периодах ведут себя люди с похожей промо-историей.

Если одним предложением: в retail-панелях мы часто неверно оцениваем промо не из‑за данных, а из‑за того, что подменяем «эффект бренда» «эффектом склонности к промо». Когда это разделяешь, результаты становятся управляемыми — и тогда уже можно обсуждать калибровку промо-механики (глубина, длительность, формат, правила доступности), а не устраивать разбор причин, почему цифры «не сходятся».

Обычно после такой настройки мы начинаем разговаривать языком, который понимает и финконтроль, и category team: эффект на уровне выбора, а не только на уровне транзакций.

— @PanelDataRoom

Параллельный взгляд на тему — @AIinMarketingRu

ChatGPT 5.6 Luna и Terra подешевели

OpenAI резко снизила цены на GPT-5.6 Luna и Terra спустя три недели после релиза, сделав их заметно дешевле для массового использования. Sol осталась премиальной по прежнему прайсу, но получила Fast mode с ускорением до 2,5 раза. Вывод: компания давит ценой и скоростью, чтобы быстрее нарастить спрос и долю рынка.

➡️ Читайте на сайте: https://aff.top/blog/chatgpt-5-6-luna-i-terra-podesheveli

🧠 Ещё больше инсайтов → в канале AFF.top

Доменная зона .web делегирован в корневую зону DNS

Verisign вывела .web в корневую зону DNS: теперь это полноценный TLD, но открытая регистрация ещё не стартовала. Сначала доступ получат владельцы совпадающих доменов в .com через LRP. Вывод для рынка: хорошие EMD в .com могут стать входным билетом в .web, если успеть занять брендовые имена раньше общего запуска.

➡️ Читайте на сайте: https://aff.top/blog/domennaia-zona-web-delegirovan-v-kornevuiu-zonu-dns

🧠 Ещё больше инсайтов → в канале AFF.top

В Facebook Ads появился раздел «Conversations»

Facebook Ads добавил Conversations с автоответом на комментарии: по ключевым словам можно сразу отправлять сообщение в личку. Для арбитража это новый способ прогрева и передачи ссылки без клоаки: в креативе можно просить оставить комментарий, а заинтересованных уводить с вайта на блэк уже в ДМ. Идея спорная, но её стоит тестировать.

➡️ Читайте на сайте: https://aff.top/blog/v-facebook-ads-poiavilsia-razdel-conversations

🧠 Ещё больше инсайтов → в канале AFF.top

Почему снижение среднего чека в FMCG — это не всегда проблема стратегии

Бренд молочных продуктов средней ценовой категории столкнулся с типичной для 2026 года ситуацией: при стабильной частоте покупок средний чек в ритейл-сетях начал проседать на 7% квартал к кварталу. В эпоху, когда потребитель перешел в режим жесткой экономии, руководство маркетинга потребовало от команды план по возвращению прежних показателей выручки.

Задача: остановить отток покупателей в сегмент «первой цены» (самые дешевые товары на полке) и вернуть средний чек к прежним значениям, не прибегая к прямому демпингу, который разрушает маржинальность.

Решение: бренд-команда проанализировала панельные данные (данные о поведении покупателей) и заметила аномалию. Покупатели не просто отказывались от продукта, они начали переключаться на меньшие фасовки или делать выбор в пользу СТМ (собственных торговых марок сетей). Вместо классической тактики «увеличить охват» маркетологи сфокусировались на удержании (retention) через изменение ассортиментной матрицы. Были выведены «семейные» упаковки с повышенной ценностью (цена за килограмм ниже, но входной порог чека выше) и внедрена модель подписки на регулярные покупки через мобильные приложения ритейлеров.

Результат: за шесть месяцев удалось замедлить падение среднего чека с 7% до 1,5%. Доля повторных покупок (LTV — пожизненная ценность клиента) выросла на 12%. Главное достижение — переход от модели погони за новым покупателем к укреплению лояльности текущей базы, что в условиях текущей экономики обходится в 4-5 раз дешевле.

Урок для бренд-менеджера:
— В эпоху снижения покупательной способности средний чек — это не метрика эффективности рекламы, а отражение глубины доверия к бренду.
— Если ваш продукт проигрывает в «первой цене», не пытайтесь копировать стратегию дискаунтеров. Используйте аналитику панелей, чтобы найти сегменты, для которых переплата за качество все еще имеет смысл (например, через развитие форматов «на всю семью»).
— В 2026 году RevOps (общая ответственность за выручку) означает, что маркетинг обязан влиять на товарную матрицу, а не только на охватные кампании. Если данные говорят, что чек падает из-за смены потребительских привычек, проблему нужно решать на уровне продукта, а не увеличением частоты показа баннеров.

Помните, что в условиях Zero-click (отсутствия переходов по ссылкам) и роста значимости собственных данных, ваш главный актив — это понимание того, почему человек перестал класть ваш товар в корзину. Цифры панели всегда честнее, чем отчеты по кликам в рекламном кабинете.

— @PanelDataRoom

@MarketingLeadershipRoom разбирают это с практической стороны

Как FMCG-брендам считать не продажи, а поведение полки

Компания Mondelez хотела понять, что происходит с покупкой снеков и печенья не в опросах, а в реальном поведении домохозяйств: кто покупает, как часто, в каких сетях и что меняется после промо. Для этого бренд опирался на retail-панели и consumer panels — данные о реальных чеках и панельных домохозяйствах, а не на декларации «что бы вы купили».

Задача была практическая: отделить краткосрочный эффект скидки от устойчивого роста, увидеть, насколько промо приводит новых покупателей или просто «перекладывает» продажи между неделями. В 2026 году это особенно важно: при снижении среднего чека и росте экономии у покупателей первая покупка давно перестала быть главным показателем. Нужны метрики удержания и повторной покупки.

Что сделали:
— объединили данные retail-панели по чекам и consumer panel по домохозяйствам;
— посмотрели динамику проникновения категории, частоту покупок и размер корзины;
— сравнили поведение в промо-недели и без скидок;
— оценили, остаётся ли покупатель после первой покупки или исчезает через 1–2 цикла.

Что это дало: бренд увидел не просто объём продаж, а структуру спроса. Выяснилось, что часть промо действительно приносит новых покупателей, но значимая доля прироста — это перераспределение времени покупки и запасание. Это помогло точнее настраивать промо-механику и ассортимент в сетях.

**Главный урок для бренд-менеджера FMCG:** если вы смотрите только sell-out, вы видите вершину айсберга. Панели отвечают на более дорогой вопрос: продажи растут потому, что бренд расширяет базу покупателей, или потому, что существующие просто покупают иначе. Именно это различие в 2026 году отделяет рабочую стратегию от красивой отчётности.

— @PanelDataRoomPro

Оптимизация ассортиментной матрицы в условиях снижения среднего чека: кейс сети супермаркетов

В 2026 году ритейл-сектор столкнулся с устойчивым трендом: средний чек в категории FMCG (товары повседневного спроса) снижается на 6-7% год к году. Потребитель перешел к стратегии жесткой экономии, переключаясь с брендов средней ценовой категории на собственные торговые марки (СТМ) или дискаунтеры. Рассмотрим, как крупная федеральная сеть подошла к пересмотру полки, опираясь на данные потребительских панелей.

Контекст и задача. Сеть заметила отток лояльной аудитории в сегменте молочной продукции. Анализ показал, что покупатели не просто стали меньше брать, а начали «мигрировать» между форматами: из супермаркетов уходили в жесткие дискаунтеры за базовым набором продуктов. Задача состояла в том, чтобы удержать LTV (пожизненную ценность клиента), сохранив при этом маржинальность категории через точную настройку ассортимента.

Решение. Вместо классического сокращения SKU (товарных позиций), которое обычно приводит к потере доли рынка, компания применила метод сегментации на основе данных панели домохозяйств. Были выделены две группы покупателей: «рационализаторы» (ищут минимальную цену) и «приверженцы качества» (готовы платить за проверенные бренды).

— Провели кросс-анализ чеков: выяснили, что «рационализаторы» покупают брендированные товары только в акционный период, а в остальное время переключаются на товары первого ценового сегмента.
— Внедрили стратегию «ценового якоря»: расширили линейку СТМ в низком ценовом сегменте, но сохранили в ассортименте топовые бренды в формате «семейных упаковок» для тех, кто привык к объему.
— Использовали MMM (моделирование маркетингового микса) для оценки эластичности спроса по каждой позиции, чтобы не допустить каннибализации (поедания доли одного продукта другим) внутри категории.

Результат. В течение двух кварталов отток покупателей в категории молочной продукции сократился на 4,2%. Доля СТМ выросла на 11%, что компенсировало снижение общего чека за счет увеличения частоты визитов. При этом за счет точечного вывода избыточных SKU «средней руки», которые не имели выраженной лояльности, сеть высвободила 15% полочного пространства.

Урок для бренд-менеджера. В эпоху снижения потребительской способности борьба за удержание клиента через Retention (удержание) требует не массовых скидок, а понимания структуры корзины. Работа с панельными данными позволяет увидеть не просто факт падения продаж, а реальные паттерны переключения потребителя. В 2026 году побеждает тот, кто не пытается продать «среднее по больнице», а гибко управляет ценностью предложения для каждого сегмента. Сейчас мы уходим от оценки эффективности по последнему клику к анализу инкрементальности (дополнительной ценности) каждого конкретного товара в матрице. Продажи — это результат понимания того, где именно потребитель готов сэкономить, а где — проголосовать рублем за привычный комфорт.

— @PanelDataRoomPro

Open AI анонсировала новую модель ChatGPT - Astra

OpenAI показала правительству США новую модель Astra — следующую крупную нейросеть после Sol. Её фокус — долгосрочные задачи и управление саб-агентами, которые делят работу на мелкие шаги. Пока неясно, станет ли Astra GPT-6 или новой версией в линейке Sol, но релиз уже близко, и её стоит ждать на тестах.

➡️ Читайте на сайте: https://aff.top/blog/open-ai-anonsirovala-novuiu-model-chatgpt-astra

🧠 Ещё больше инсайтов → в канале AFF.top

SeeDance 2.5 вышла в публичный доступ

ByteDance выпустила SeeDance 2.5 — нейронку для генерации 30-секундных видео в 4K с до 50 референсами, включая локации и персонажей. Для CPA и iGaming-креативов это уже уровень почти кино, но технология пока дорогая и не слишком практичная: тестировать можно через Jimeng AI и Doubao Pro, а API обещают позже.

➡️ Читайте на сайте: https://aff.top/blog/seedance-2-5-vyshla-v-publichnyi-dostup

🧠 Ещё больше инсайтов → в канале AFF.top

Госдума собирается запретить скрытую рекламу казино

Госдума уточнила законопроект против скрытой рекламы нелегального гемблинга: под запрет попадут любые реферальные ссылки, ролики и стримы с показом игры в казино. Площадки обяжут сами искать и блокировать такой контент и аккаунты. Для УБТ, дорвеев и SEO это значит ещё более жёсткую зачистку трафика и риски для любых промо-материалов с рефералкой.

➡️ Читайте на сайте: https://aff.top/blog/gosduma-sobiraetsia-zapretit-skrytuiu-reklamu-kazino

🧠 Ещё больше инсайтов → в канале AFF.top

Панель — не зеркало рынка, а прибор для чтения поведения

Я часто вижу одну и ту же ошибку в работе с retail- и consumer-панелями: их пытаются использовать как «маленькую перепись населения». Мол, если в панели 10 тысяч домохозяйств, значит, она должна точно повторять весь рынок. На практике это неверная оптика.

Панель сильна не тем, что идеально совпадает с абсолютами, а тем, что показывает **направление и механизм** изменения покупательского поведения. Кто начал реже брать категорию. Где переключение происходит между брендами, а где — между форматами упаковки. Что происходит с частотой, а не только с долей. Для бренд-менеджера FMCG это важнее, чем красивая таблица с общим покрытием.

Из моей практики: в одной категории по панели было видно, что снижение продаж у сильного бренда началось не с падения числа покупателей, а с сокращения корзины у ядра. Формально доля держалась почти без движения, но частота покупки и средний объём в чеке проседали несколько месяцев подряд. Если смотреть только на итоговую долю, это выглядит как «всё стабильно». Если смотреть на панель — видно ранний сигнал до того, как проблема становится заметной в отчёте по продажам.

Отсюда мой вывод: **панель надо читать как систему раннего предупреждения, а не как фотографию рынка**. Тогда она помогает не просто объяснять прошлое, а принимать решение раньше, чем это сделает P&L.

Что я считаю полезным в ежедневной работе:
— отслеживать не только penetration (охват), но и repeat rate — повторную покупку;
— разделять потери по причине: ушёл покупатель, снизилась частота или уменьшился объём;
— смотреть динамику по когорте лояльных покупателей, а не только по всей базе;
— не требовать от панели абсолютной истины, если вам нужен управленческий сигнал.

В 2026-м, когда решений всё больше принимается в связке с AI-аналитикой и моделями атрибуции, ценность панели только растёт: она даёт живую человеческую основу, без которой любые модели легко начинают «объяснять» то, чего в реальном поведении нет.

— @PanelDataRoom