This media is not supported in your browser
VIEW IN TELEGRAM
Алиса AI будет конкурировать с Google AI Studio
Яндекс разворачивает экосистему AI-агентов на базе Алисы с доступом сначала для компаний, затем для всех. Агенты уже работают в Яндекс Такси и Лавке, скоро появятся в браузере и студии разработки. Платформа интегрирует стандартные функции — заказ такси, покупки, анализ данных. Алиса AI показывает неплохие результаты: менее известна, чем конкуренты, поэтому предлагает щедрые лимиты на видеогенерацию и работу с контентом. Яндекс планирует внедрить…
➡️ Читайте на сайте: https://aff.top/blog/alisa-ai-budet-konkurirovat-s-google-ai-studio
🧠 Ещё больше инсайтов → в канале AFF.top
Яндекс разворачивает экосистему AI-агентов на базе Алисы с доступом сначала для компаний, затем для всех. Агенты уже работают в Яндекс Такси и Лавке, скоро появятся в браузере и студии разработки. Платформа интегрирует стандартные функции — заказ такси, покупки, анализ данных. Алиса AI показывает неплохие результаты: менее известна, чем конкуренты, поэтому предлагает щедрые лимиты на видеогенерацию и работу с контентом. Яндекс планирует внедрить…
➡️ Читайте на сайте: https://aff.top/blog/alisa-ai-budet-konkurirovat-s-google-ai-studio
🧠 Ещё больше инсайтов → в канале AFF.top
This media is not supported in your browser
VIEW IN TELEGRAM
В Zennoposter добавили ИИ-помощник
Zennolab добавил в Zennoposter встроенный ИИ-кубик с доступом к четырём моделям (Gemini, DeepSeek, Claude, ChatGPT) — 50 бесплатных запросов в сутки. Есть режимы Assistant (чтение) и Agent (автоматическое создание скриптов), плюс новый GET-запрос по API. Нейросети хорошо справляются с регистрацией, постингом, фармингом аккаунтов и простым кодированием, но требуют проверки при парсинге динамических сайтов и диагностике ошибок. В связке с Zennoobr…
➡️ Читайте на сайте: https://aff.top/blog/v-zennoposter-dobavili-ii-pomoschnik
🧠 Ещё больше инсайтов → в канале AFF.top
Zennolab добавил в Zennoposter встроенный ИИ-кубик с доступом к четырём моделям (Gemini, DeepSeek, Claude, ChatGPT) — 50 бесплатных запросов в сутки. Есть режимы Assistant (чтение) и Agent (автоматическое создание скриптов), плюс новый GET-запрос по API. Нейросети хорошо справляются с регистрацией, постингом, фармингом аккаунтов и простым кодированием, но требуют проверки при парсинге динамических сайтов и диагностике ошибок. В связке с Zennoobr…
➡️ Читайте на сайте: https://aff.top/blog/v-zennoposter-dobavili-ii-pomoschnik
🧠 Ещё больше инсайтов → в канале AFF.top
Почему опросы часто врут: как читать данные, если рынок уже научился отвечать “как надо”
В исследованиях есть неприятная, но полезная мысль: люди отвечают не так, как живут, а так, как умеют объяснить себя в момент опроса. Для маркетинг-аналитика это не повод отказаться от опросов. Это повод перестать ждать от них прямой правды и начать использовать их как инструмент измерения неочевидных вещей: языка выбора, структуры предпочтений и границ компромисса.
Сегодня, в эпоху, когда чистое информационное SEO ослабевает, а ценность собственной экспертизы растёт, качественно собранный опрос становится не просто «данными», а способом получить опорную картину рынка. Но только если мы понимаем, где именно он искажает реальность.
**1. Главная ошибка — спрашивать мнение там, где есть только поведение**
Если человек говорит, что «ему важно качество», это ещё не значит, что качество двигает покупку. В опросе люди часто называют социально одобряемые мотивы, а не реальные триггеры. Особенно это заметно в B2B, где респондент хочет выглядеть рациональным: «выбираем надёжность, интеграции, поддержку». На практике решение может быть вызвано совсем другим — простотой внедрения, привычкой команды, или тем, что уже есть в CRM и не требует переобучения.
Пример: компания запускает опрос о выборе платформы автоматизации. Большинство респондентов ставят на первое место функциональность. Но когда в отдельном блоке спрашивают о последней реальной замене решения, выясняется, что победил не самый богатый по функциям продукт, а тот, у которого был понятный онбординг и короткий цикл запуска. Вывод здесь один: опрос о мнении без проверки поведения даёт красивую, но слабую картину.
**2. Опрос хорош не для “что важно”, а для “что важнее другого”**
Слова «важно» и «очень важно» почти бесполезны. Они слабо различают атрибуты и почти всегда ведут к одинаково высоким оценкам. Поэтому там, где требуется понять реальные компромиссы, лучше работают conjoint-анализ и методы сравнения профилей. Они заставляют человека делать выбор, а не просто соглашаться со списком достоинств.
Это особенно ценно в 2026 году, когда потребитель осторожнее в расходах, а в e-com снижается средний чек: бренду важно понимать не абстрактную любовь к продукту, а какой набор характеристик удерживает выбор при более жёсткой экономии.
Пример: бренд бытовой техники тестирует три версии товара. В обычном опросе все три получают высокую оценку, потому что у каждой есть «достоинства». В conjoint выясняется, что для покупателя решающими оказываются не бренд и не дизайн, а гарантия, энергоэффективность и срок доставки. Это уже не декларация, а модель выбора.
**3. MaxDiff полезен там, где нужно отделить шум от настоящей структуры предпочтений**
Когда атрибутов много, люди теряются. Они не могут честно ранжировать 20 причин выбора, потому что в голове нет такой таблицы. MaxDiff решает проблему иначе: он заставляет выбирать «самое важное» и «наименее важное» из небольшого набора. За счёт этого мы получаем более чистую иерархию, чем в обычной шкале оценок.
Пример: исследование для банковского продукта. На входе — длинный список возможных преимуществ: кешбэк, удобство приложения, лимит, поддержка, безопасность, партнёрские скидки, скорость решения. В прямом вопросе всё выглядит равномерно сильным. В MaxDiff становится видно, что безопасность и прозрачность условий выигрывают у бонусов, а «скидки у партнёров» почти не двигают выбор. Для продуктовой команды это уже рабочий приоритет, а не просто мнение аудитории.
**4. Хороший опрос начинается не с вопроса, а с гипотезы о том, что именно может исказить ответ**
Самая частая проблема исследований — не выбор методики, а отсутствие дисциплины в постановке задачи. Если вы не понимаете, где респондент может приукрасить, упростить или рационализировать ответ, вы соберёте данные, которые удобно цитировать, но трудно использовать. Поэтому до запуска опроса полезно выписать не только вопросы, но и возможные искажения: эффект желательности, усталость, контекст предыдущих ответов, слабую различимость вариантов.
…
В исследованиях есть неприятная, но полезная мысль: люди отвечают не так, как живут, а так, как умеют объяснить себя в момент опроса. Для маркетинг-аналитика это не повод отказаться от опросов. Это повод перестать ждать от них прямой правды и начать использовать их как инструмент измерения неочевидных вещей: языка выбора, структуры предпочтений и границ компромисса.
Сегодня, в эпоху, когда чистое информационное SEO ослабевает, а ценность собственной экспертизы растёт, качественно собранный опрос становится не просто «данными», а способом получить опорную картину рынка. Но только если мы понимаем, где именно он искажает реальность.
**1. Главная ошибка — спрашивать мнение там, где есть только поведение**
Если человек говорит, что «ему важно качество», это ещё не значит, что качество двигает покупку. В опросе люди часто называют социально одобряемые мотивы, а не реальные триггеры. Особенно это заметно в B2B, где респондент хочет выглядеть рациональным: «выбираем надёжность, интеграции, поддержку». На практике решение может быть вызвано совсем другим — простотой внедрения, привычкой команды, или тем, что уже есть в CRM и не требует переобучения.
Пример: компания запускает опрос о выборе платформы автоматизации. Большинство респондентов ставят на первое место функциональность. Но когда в отдельном блоке спрашивают о последней реальной замене решения, выясняется, что победил не самый богатый по функциям продукт, а тот, у которого был понятный онбординг и короткий цикл запуска. Вывод здесь один: опрос о мнении без проверки поведения даёт красивую, но слабую картину.
**2. Опрос хорош не для “что важно”, а для “что важнее другого”**
Слова «важно» и «очень важно» почти бесполезны. Они слабо различают атрибуты и почти всегда ведут к одинаково высоким оценкам. Поэтому там, где требуется понять реальные компромиссы, лучше работают conjoint-анализ и методы сравнения профилей. Они заставляют человека делать выбор, а не просто соглашаться со списком достоинств.
Это особенно ценно в 2026 году, когда потребитель осторожнее в расходах, а в e-com снижается средний чек: бренду важно понимать не абстрактную любовь к продукту, а какой набор характеристик удерживает выбор при более жёсткой экономии.
Пример: бренд бытовой техники тестирует три версии товара. В обычном опросе все три получают высокую оценку, потому что у каждой есть «достоинства». В conjoint выясняется, что для покупателя решающими оказываются не бренд и не дизайн, а гарантия, энергоэффективность и срок доставки. Это уже не декларация, а модель выбора.
**3. MaxDiff полезен там, где нужно отделить шум от настоящей структуры предпочтений**
Когда атрибутов много, люди теряются. Они не могут честно ранжировать 20 причин выбора, потому что в голове нет такой таблицы. MaxDiff решает проблему иначе: он заставляет выбирать «самое важное» и «наименее важное» из небольшого набора. За счёт этого мы получаем более чистую иерархию, чем в обычной шкале оценок.
Пример: исследование для банковского продукта. На входе — длинный список возможных преимуществ: кешбэк, удобство приложения, лимит, поддержка, безопасность, партнёрские скидки, скорость решения. В прямом вопросе всё выглядит равномерно сильным. В MaxDiff становится видно, что безопасность и прозрачность условий выигрывают у бонусов, а «скидки у партнёров» почти не двигают выбор. Для продуктовой команды это уже рабочий приоритет, а не просто мнение аудитории.
**4. Хороший опрос начинается не с вопроса, а с гипотезы о том, что именно может исказить ответ**
Самая частая проблема исследований — не выбор методики, а отсутствие дисциплины в постановке задачи. Если вы не понимаете, где респондент может приукрасить, упростить или рационализировать ответ, вы соберёте данные, которые удобно цитировать, но трудно использовать. Поэтому до запуска опроса полезно выписать не только вопросы, но и возможные искажения: эффект желательности, усталость, контекст предыдущих ответов, слабую различимость вариантов.
…
This media is not supported in your browser
VIEW IN TELEGRAM
Новую Google reCapcha прошли статичной картинкой
Google выпустил обновленную reCAPTCHA, требующую движений рук для прохождения, но система оказалась уязвима к обходу. Достаточно транслировать статичное изображение с нужным жестом через виртуальную камеру с помощью простого Python-скрипта, чтобы нейросеть пропустила пользователя. Это создает серьёзный риск для сайтов: защита от ботов, позиционировавшаяся как прорыв, на деле не работает. Баг остается актуальным и позволяет спамерам легко автомат…
➡️ Читайте на сайте: https://aff.top/blog/novuiu-google-recapcha-proshli-statichnoi-kartinkoi
🧠 Ещё больше инсайтов → в канале AFF.top
Google выпустил обновленную reCAPTCHA, требующую движений рук для прохождения, но система оказалась уязвима к обходу. Достаточно транслировать статичное изображение с нужным жестом через виртуальную камеру с помощью простого Python-скрипта, чтобы нейросеть пропустила пользователя. Это создает серьёзный риск для сайтов: защита от ботов, позиционировавшаяся как прорыв, на деле не работает. Баг остается актуальным и позволяет спамерам легко автомат…
➡️ Читайте на сайте: https://aff.top/blog/novuiu-google-recapcha-proshli-statichnoi-kartinkoi
🧠 Ещё больше инсайтов → в канале AFF.top
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
DeepSeek представит последнюю версию v4
DeepSeek выпустит v4 в середине июля с новой моделью ценообразования API: токены подорожают в 2 раза в часы пиковой нагрузки (09:00–12:00 и 14:00–18:00 по пекинскому времени). Компания планирует уведомлять пользователей по почте за 24 часа до изменения тарифов. Проблема с ошибками «server busy» останется, но обойдётся дороже — это может существенно повлиять на экономику проектов, которые активно используют API DeepSeek для автоматизации и масшта…
➡️ Читайте на сайте: https://aff.top/blog/deepseek-predstavit-posledniuiu-versiiu-v4
🧠 Ещё больше инсайтов → в канале AFF.top
DeepSeek выпустит v4 в середине июля с новой моделью ценообразования API: токены подорожают в 2 раза в часы пиковой нагрузки (09:00–12:00 и 14:00–18:00 по пекинскому времени). Компания планирует уведомлять пользователей по почте за 24 часа до изменения тарифов. Проблема с ошибками «server busy» останется, но обойдётся дороже — это может существенно повлиять на экономику проектов, которые активно используют API DeepSeek для автоматизации и масшта…
➡️ Читайте на сайте: https://aff.top/blog/deepseek-predstavit-posledniuiu-versiiu-v4
🧠 Ещё больше инсайтов → в канале AFF.top
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Anthropic выпустили Sonnet 5
30 июня вышла Claude Sonnet 5 — новая версия позиционируется как самая агентная в линейке и приближается к флагманской Opus 4.8. Модель лучше справляется со сложными многоуровневыми задачами, устойчива к вредоносным запросам и не генерирует эксплойты. Sonnet 5 доступна на Free-тарифе, но тестирование показало скромные улучшения: хотя работает лучше Sonnet 4.6, её обгоняют конкуренты, включая китайские модели, которые дешевле через API при лучшей…
➡️ Читайте на сайте: https://aff.top/blog/anthropic-vypustili-sonnet-5
🧠 Ещё больше инсайтов → в канале AFF.top
30 июня вышла Claude Sonnet 5 — новая версия позиционируется как самая агентная в линейке и приближается к флагманской Opus 4.8. Модель лучше справляется со сложными многоуровневыми задачами, устойчива к вредоносным запросам и не генерирует эксплойты. Sonnet 5 доступна на Free-тарифе, но тестирование показало скромные улучшения: хотя работает лучше Sonnet 4.6, её обгоняют конкуренты, включая китайские модели, которые дешевле через API при лучшей…
➡️ Читайте на сайте: https://aff.top/blog/anthropic-vypustili-sonnet-5
🧠 Ещё больше инсайтов → в канале AFF.top
Как a2i провели исследование упаковки и сократили риск ошибки до запуска
Когда бренд готовит новый продукт или редизайн упаковки, главная проблема — не «понравится ли креатив», а купят ли его в полке и в карточке товара. В 2026 это особенно важно: средний чек снижается, а значит, ошибка в упаковке бьёт не только по первой продаже, но и по повторным покупкам.
Компания a2i разбирала именно такую задачу: помочь бренду понять, какие элементы упаковки действительно влияют на выбор, а какие создают шум. Для этого команда использовала связку количественных методов: опрос, conjoint-оценку и сравнение атрибутов через MaxDiff.
Что сделали:
— Сначала собрали базовую картину: как потребители вообще смотрят на категорию, что для них является обязательным минимумом.
— Затем через conjoint-моделирование проверили, как разные комбинации свойств упаковки влияют на выбор: цвет, форма, маркеры качества, обещания на лицевой стороне.
— После этого через MaxDiff расставили приоритеты: какие сообщения и элементы важнее всего, а какие можно убрать без потери ценности.
Что это дало бренду:
— Стало понятно, какие элементы упаковки двигают выбор сильнее всего.
— Команда смогла отсеять второстепенные детали и не перегрузить дизайн.
— Решение стало опираться не на мнение внутри компании, а на измеримую структуру предпочтений аудитории.
Точных цифр в публичном описании кейса a2i не раскрывают, и это нормально для исследовательских проектов: здесь ценность не в красивом числе, а в том, что упаковку проверяют до производства, а не после провала на рынке.
**Главный урок для маркетинг-аналитика**: если у вас новый продукт, редизайн или спор о том, «какой вариант сильнее продаёт», не ограничивайтесь одним опросом. Опрос даёт декларации, conjoint показывает компромиссы, MaxDiff — приоритеты. Вместе они снижают риск решения «на вкус» и помогают собрать упаковку под реальное поведение покупателя, а не под внутренние симпатии команды.
— @QuantResearchRu
Когда бренд готовит новый продукт или редизайн упаковки, главная проблема — не «понравится ли креатив», а купят ли его в полке и в карточке товара. В 2026 это особенно важно: средний чек снижается, а значит, ошибка в упаковке бьёт не только по первой продаже, но и по повторным покупкам.
Компания a2i разбирала именно такую задачу: помочь бренду понять, какие элементы упаковки действительно влияют на выбор, а какие создают шум. Для этого команда использовала связку количественных методов: опрос, conjoint-оценку и сравнение атрибутов через MaxDiff.
Что сделали:
— Сначала собрали базовую картину: как потребители вообще смотрят на категорию, что для них является обязательным минимумом.
— Затем через conjoint-моделирование проверили, как разные комбинации свойств упаковки влияют на выбор: цвет, форма, маркеры качества, обещания на лицевой стороне.
— После этого через MaxDiff расставили приоритеты: какие сообщения и элементы важнее всего, а какие можно убрать без потери ценности.
Что это дало бренду:
— Стало понятно, какие элементы упаковки двигают выбор сильнее всего.
— Команда смогла отсеять второстепенные детали и не перегрузить дизайн.
— Решение стало опираться не на мнение внутри компании, а на измеримую структуру предпочтений аудитории.
Точных цифр в публичном описании кейса a2i не раскрывают, и это нормально для исследовательских проектов: здесь ценность не в красивом числе, а в том, что упаковку проверяют до производства, а не после провала на рынке.
**Главный урок для маркетинг-аналитика**: если у вас новый продукт, редизайн или спор о том, «какой вариант сильнее продаёт», не ограничивайтесь одним опросом. Опрос даёт декларации, conjoint показывает компромиссы, MaxDiff — приоритеты. Вместе они снижают риск решения «на вкус» и помогают собрать упаковку под реальное поведение покупателя, а не под внутренние симпатии команды.
— @QuantResearchRu
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Clickstar прекращает работу
Clickstar закрывается. Легендарная пуш-сеть прекращает закуп трафика с 1 августа, полная остановка — 20 августа.
Сетка работала почти 8 лет и была одним из лучших источников качественного трафика на Россию и СНГ. Сейчас пуш-трафик стал слишком ботовым из-за гугловских банов на скрипты сбора.
Что это означает для арбитражников — разбираемся в ста…
➡️ Читайте на сайте: https://aff.top/blog/clickstar-prekraschaet-rabotu
🧠 Ещё больше инсайтов → в канале AFF.top
Clickstar закрывается. Легендарная пуш-сеть прекращает закуп трафика с 1 августа, полная остановка — 20 августа.
Сетка работала почти 8 лет и была одним из лучших источников качественного трафика на Россию и СНГ. Сейчас пуш-трафик стал слишком ботовым из-за гугловских банов на скрипты сбора.
Что это означает для арбитражников — разбираемся в ста…
➡️ Читайте на сайте: https://aff.top/blog/clickstar-prekraschaet-rabotu
🧠 Ещё больше инсайтов → в канале AFF.top
В опросах стало больше «не знаю»
За последний месяц в количественных исследованиях чаще попадается один и тот же паттерн: в ответах на прямые вопросы люди заметно чаще выбирают «не знаю», «затрудняюсь ответить» или уходят в нейтральную середину шкалы. Это видно и в бренд-трекингах, и в коротких онлайн-опросах, и в MaxDiff-замерах, где раньше респонденты быстрее различали варианты.
Параллельно в открытых ответах чаще встречаются очень общие формулировки — без деталей про причину выбора, сценарий использования или критерий сравнения. В conjoint-задачах это тоже заметно: часть респондентов как будто отвечает аккуратнее, но менее решительно, особенно когда атрибутов становится больше.
Из практики это ощущается не как единичный эффект, а как повторяющийся фон в нескольких проектах подряд. У вас сейчас тоже встречается больше осторожных ответов в опросах?
— @QuantResearchRu
За последний месяц в количественных исследованиях чаще попадается один и тот же паттерн: в ответах на прямые вопросы люди заметно чаще выбирают «не знаю», «затрудняюсь ответить» или уходят в нейтральную середину шкалы. Это видно и в бренд-трекингах, и в коротких онлайн-опросах, и в MaxDiff-замерах, где раньше респонденты быстрее различали варианты.
Параллельно в открытых ответах чаще встречаются очень общие формулировки — без деталей про причину выбора, сценарий использования или критерий сравнения. В conjoint-задачах это тоже заметно: часть респондентов как будто отвечает аккуратнее, но менее решительно, особенно когда атрибутов становится больше.
Из практики это ощущается не как единичный эффект, а как повторяющийся фон в нескольких проектах подряд. У вас сейчас тоже встречается больше осторожных ответов в опросах?
— @QuantResearchRu
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Facebook запретил рекламу онлайн-казино Mr Vegas
Британский ASA запретил рекламу казино Mr Vegas из-за «слишком милых» мультяшных животных в креативах — регулятор счёл, что такой стиль привлекает детей, в том числе через Facebook. Рекламодатель запустил кампанию в феврале, бан вышел в июле. Логика регулятора вызывает вопросы: дети неплатёжеспособны, а таргетировать их на гемблинг бессмысленно.
➡️ Читайте на сайте: https://aff.top/blog/facebook-zapretil-reklamu-onlain-kazino-mr-vegas
🧠 Ещё больше инсайтов → в канале AFF.top
Британский ASA запретил рекламу казино Mr Vegas из-за «слишком милых» мультяшных животных в креативах — регулятор счёл, что такой стиль привлекает детей, в том числе через Facebook. Рекламодатель запустил кампанию в феврале, бан вышел в июле. Логика регулятора вызывает вопросы: дети неплатёжеспособны, а таргетировать их на гемблинг бессмысленно.
➡️ Читайте на сайте: https://aff.top/blog/facebook-zapretil-reklamu-onlain-kazino-mr-vegas
🧠 Ещё больше инсайтов → в канале AFF.top
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
В Whatsapp скамят пользователей с помощью поддельных никнеймов
WhatsApp запустил никнеймы — и почти сразу начался скам. Мошенники регистрируют имена, похожие на бренды, звёзд и политиков, с минимальными опечатками.
Индия, где 500 млн пользователей WhatsApp, потребовала от Meta объяснений за 3 дня. Meta говорит, что точные совпадения заблокированы — но одна буква в другом месте защиту не триггерит.
Похоже, п…
➡️ Читайте на сайте: https://aff.top/blog/v-whatsapp-skamiat-polzovatelei-s-pomoschiu-poddelnykh-nikneimov
🧠 Ещё больше инсайтов → в канале AFF.top
WhatsApp запустил никнеймы — и почти сразу начался скам. Мошенники регистрируют имена, похожие на бренды, звёзд и политиков, с минимальными опечатками.
Индия, где 500 млн пользователей WhatsApp, потребовала от Meta объяснений за 3 дня. Meta говорит, что точные совпадения заблокированы — но одна буква в другом месте защиту не триггерит.
Похоже, п…
➡️ Читайте на сайте: https://aff.top/blog/v-whatsapp-skamiat-polzovatelei-s-pomoschiu-poddelnykh-nikneimov
🧠 Ещё больше инсайтов → в канале AFF.top
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Вышел ZCode - аналог Claude code
Вышел ZCode — десктопный аналог Claude Code от разработчиков GLM-5.2. Работает с API от Anthropic, поддерживает SSH-деплой на сервер, в том числе Linux.
Вместо пошаговых скриптов — система целеполагания Goal: закидываешь сложный промт, агент сам разбивает задачу и выполняет. Плюс управление через Telegram-бота.
Но главная фича — мультиагентность…
➡️ Читайте на сайте: https://aff.top/blog/vyshel-zcode-analog-claude-code
🧠 Ещё больше инсайтов → в канале AFF.top
Вышел ZCode — десктопный аналог Claude Code от разработчиков GLM-5.2. Работает с API от Anthropic, поддерживает SSH-деплой на сервер, в том числе Linux.
Вместо пошаговых скриптов — система целеполагания Goal: закидываешь сложный промт, агент сам разбивает задачу и выполняет. Плюс управление через Telegram-бота.
Но главная фича — мультиагентность…
➡️ Читайте на сайте: https://aff.top/blog/vyshel-zcode-analog-claude-code
🧠 Ещё больше инсайтов → в канале AFF.top
Почему MaxDiff часто ломают не метод, а список
Я всё чаще вижу одну и ту же ошибку: к MaxDiff относятся как к «кнопке для сортировки важности», хотя на деле это инструмент, очень чувствительный к качеству исходного списка.
Если список слабый, MaxDiff просто красиво упакует слабость. Он не спасает, когда:
— в списке смешаны атрибуты разного уровня абстракции;
— часть формулировок дублирует друг друга;
— в наборе есть варианты, которые респондент не может реально выбрать в жизни.
На практике я почти всегда начинаю не с модели, а с редактуры списка. И здесь полезнее не «добавить ещё 10 пунктов», а наоборот — убрать шум и выровнять логику. Например, если в исследовании сервиса рядом стоят «быстрая доставка», «доставка за 2 часа» и «удобный курьер», MaxDiff покажет не стратегию продукта, а конкуренцию формулировок между собой.
Моё правило простое: **хороший MaxDiff начинается до анкеты, а не в ней**.
Что я проверяю перед полевым этапом:
— можно ли каждый пункт объяснить одним предложением без дополнительных уточнений;
— нет ли пересечения по смыслу между позициями;
— все ли элементы списка находятся на одном уровне «потребительского языка»;
— не пытаемся ли мы одним опросом измерить и потребность, и решение, и барьер.
И ещё один практический момент. В 2026 году, когда у бизнеса меньше терпения к «объёмным, но не прикладным» исследованиям, ценность MaxDiff не в красивой ранжировке, а в том, что он помогает принимать решения о фокусе. Но только если вы заранее честно ответили: что именно мы хотим отсечь, а что — оставить в продуктовой или коммуникационной повестке.
Если коротко: MaxDiff — это не способ «узнать правду». Это способ дисциплинировать выбор. И он работает только там, где список уже прошёл методическую гигиену.
— @QuantResearchRu
Я всё чаще вижу одну и ту же ошибку: к MaxDiff относятся как к «кнопке для сортировки важности», хотя на деле это инструмент, очень чувствительный к качеству исходного списка.
Если список слабый, MaxDiff просто красиво упакует слабость. Он не спасает, когда:
— в списке смешаны атрибуты разного уровня абстракции;
— часть формулировок дублирует друг друга;
— в наборе есть варианты, которые респондент не может реально выбрать в жизни.
На практике я почти всегда начинаю не с модели, а с редактуры списка. И здесь полезнее не «добавить ещё 10 пунктов», а наоборот — убрать шум и выровнять логику. Например, если в исследовании сервиса рядом стоят «быстрая доставка», «доставка за 2 часа» и «удобный курьер», MaxDiff покажет не стратегию продукта, а конкуренцию формулировок между собой.
Моё правило простое: **хороший MaxDiff начинается до анкеты, а не в ней**.
Что я проверяю перед полевым этапом:
— можно ли каждый пункт объяснить одним предложением без дополнительных уточнений;
— нет ли пересечения по смыслу между позициями;
— все ли элементы списка находятся на одном уровне «потребительского языка»;
— не пытаемся ли мы одним опросом измерить и потребность, и решение, и барьер.
И ещё один практический момент. В 2026 году, когда у бизнеса меньше терпения к «объёмным, но не прикладным» исследованиям, ценность MaxDiff не в красивой ранжировке, а в том, что он помогает принимать решения о фокусе. Но только если вы заранее честно ответили: что именно мы хотим отсечь, а что — оставить в продуктовой или коммуникационной повестке.
Если коротко: MaxDiff — это не способ «узнать правду». Это способ дисциплинировать выбор. И он работает только там, где список уже прошёл методическую гигиену.
— @QuantResearchRu
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Cloudeflare грозит Google блокировкой трафика
Cloudflare объявил: с 15 сентября 2026 года ИИ-краулеры будут заблокированы по умолчанию на всех сайтах с рекламой — включая Googlebot, Applebot и Bingbot.
Главная претензия — к Google: один и тот же бот индексирует страницы и собирает данные для обучения нейросетей, что даёт поисковику нечестное преимущество.
Но есть нюанс, который меняет всю к…
➡️ Читайте на сайте: https://aff.top/blog/cloudeflare-grozit-google-blokirovkoi-trafika
🧠 Ещё больше инсайтов → в канале AFF.top
Cloudflare объявил: с 15 сентября 2026 года ИИ-краулеры будут заблокированы по умолчанию на всех сайтах с рекламой — включая Googlebot, Applebot и Bingbot.
Главная претензия — к Google: один и тот же бот индексирует страницы и собирает данные для обучения нейросетей, что даёт поисковику нечестное преимущество.
Но есть нюанс, который меняет всю к…
➡️ Читайте на сайте: https://aff.top/blog/cloudeflare-grozit-google-blokirovkoi-trafika
🧠 Ещё больше инсайтов → в канале AFF.top
Forwarded from AFF.TOP
This media is not supported in your browser
VIEW IN TELEGRAM
Гайд: как заработать первые деньги на Pornhub
Pornhub — самый посещаемый адалт-сайт в мире, и на нём действительно можно зарабатывать. Но схема устроена иначе, чем кажется.
Автор залил ролики, набрал 16 000 просмотров — и получил 47 центов встроенной монетизации. Реальные деньги были в другом.
Есть нюансы с верификацией, голосом в роликах и законодательством РФ, которые ломают большинство с…
➡️ Читайте на сайте: https://aff.top/blog/gaid-kak-zarabotat-pervye-dengi-na-pornhub
🧠 Ещё больше инсайтов → в канале AFF.top
Pornhub — самый посещаемый адалт-сайт в мире, и на нём действительно можно зарабатывать. Но схема устроена иначе, чем кажется.
Автор залил ролики, набрал 16 000 просмотров — и получил 47 центов встроенной монетизации. Реальные деньги были в другом.
Есть нюансы с верификацией, голосом в роликах и законодательством РФ, которые ломают большинство с…
➡️ Читайте на сайте: https://aff.top/blog/gaid-kak-zarabotat-pervye-dengi-na-pornhub
🧠 Ещё больше инсайтов → в канале AFF.top
Conjoint в RevOps: как Aviasales снизил риск ошибочного ценообразования и выбора пакета услуг
Когда в B2B и e-com лидогенерация MQL/SQL «проседает», компании чаще отвечают за выручку всем фронтом: маркетинг, продажи и customer success (удержание, расширение). На этом фоне особенно болезненны решения «в одну кнопку»: поменять тарифную сетку или добавить пакетные услуги. Если сделать это без данных, можно получить падение конверсии в покупку и рост нагрузки на поддержку.
Задача
Aviasales (сервис планирования поездок) нужно было пересобрать предложение для разных сценариев путешествий: подобрать состав услуг и определить, какие комбинации действительно ценит пользователь. Важно было не просто узнать «какие услуги нравятся», а измерить компромиссы — сколько люди готовы «отдать» за конкретные элементы пакета.
Решение
Команда построила conjoint-подход (сопряженный анализ предпочтений):
— выделили атрибуты предложения (например, состав включенных сервисов и условия предоставления)
— задали пользователям серии профилей с разными сочетаниями атрибутов
— оценили, какие параметры вносят наибольший вклад в выбор и как меняется предпочтение при смене цены/условий
— по итогам сформировали ранжирование атрибутов и сценарии «оптимальных» пакетов под разные сегменты по поведению/потребности
Конкретный результат
По данным кейса, результаты помогли сузить список гипотез до комбинаций, где вклад атрибутов статистически устойчив и экономически логичен: решение стало более предсказуемым, потому что опиралось на полезность (часть варианта, которая объясняет выбор), а не на прямые суждения «что лучше».
Важно: в источнике не указаны точные цифры по приросту выручки/конверсии, поэтому корректно отметить эффект иначе: снизили долю рискованных решений за счет квантификации компромиссов между атрибутами предложения.
Урок для читателя
1) Conjoint выигрывает там, где есть «торговля компромиссами»: пакет — это не список опций, а математика выбора.
2) Для RevOps особенно полезна связка: результаты опроса переводятся в дизайн предложения (что менять), а дальше в план тестов и ответственность по цепочке (marketing → sales → customer success).
3) Если в данных нет метрик по выручке — все равно можно измерять качество решения: устойчивость вкладов атрибутов, объясняемость предпочтений и сегментные различия, которые потом проще проверить performance-экспериментом.
Если хотите, опишу шаблон построения conjoint-опроса под тарифные пакеты (какие атрибуты брать, как избежать «усталости» респондента и как потом интерпретировать utility-значения для продуктовой команды).
— @QuantResearchRuPro
Когда в B2B и e-com лидогенерация MQL/SQL «проседает», компании чаще отвечают за выручку всем фронтом: маркетинг, продажи и customer success (удержание, расширение). На этом фоне особенно болезненны решения «в одну кнопку»: поменять тарифную сетку или добавить пакетные услуги. Если сделать это без данных, можно получить падение конверсии в покупку и рост нагрузки на поддержку.
Задача
Aviasales (сервис планирования поездок) нужно было пересобрать предложение для разных сценариев путешествий: подобрать состав услуг и определить, какие комбинации действительно ценит пользователь. Важно было не просто узнать «какие услуги нравятся», а измерить компромиссы — сколько люди готовы «отдать» за конкретные элементы пакета.
Решение
Команда построила conjoint-подход (сопряженный анализ предпочтений):
— выделили атрибуты предложения (например, состав включенных сервисов и условия предоставления)
— задали пользователям серии профилей с разными сочетаниями атрибутов
— оценили, какие параметры вносят наибольший вклад в выбор и как меняется предпочтение при смене цены/условий
— по итогам сформировали ранжирование атрибутов и сценарии «оптимальных» пакетов под разные сегменты по поведению/потребности
Конкретный результат
По данным кейса, результаты помогли сузить список гипотез до комбинаций, где вклад атрибутов статистически устойчив и экономически логичен: решение стало более предсказуемым, потому что опиралось на полезность (часть варианта, которая объясняет выбор), а не на прямые суждения «что лучше».
Важно: в источнике не указаны точные цифры по приросту выручки/конверсии, поэтому корректно отметить эффект иначе: снизили долю рискованных решений за счет квантификации компромиссов между атрибутами предложения.
Урок для читателя
1) Conjoint выигрывает там, где есть «торговля компромиссами»: пакет — это не список опций, а математика выбора.
2) Для RevOps особенно полезна связка: результаты опроса переводятся в дизайн предложения (что менять), а дальше в план тестов и ответственность по цепочке (marketing → sales → customer success).
3) Если в данных нет метрик по выручке — все равно можно измерять качество решения: устойчивость вкладов атрибутов, объясняемость предпочтений и сегментные различия, которые потом проще проверить performance-экспериментом.
Если хотите, опишу шаблон построения conjoint-опроса под тарифные пакеты (какие атрибуты брать, как избежать «усталости» респондента и как потом интерпретировать utility-значения для продуктовой команды).
— @QuantResearchRuPro
MaxDiff в B2B: от ранжирования предпочтений к управлению выручкой
Когда классические MQL-воронки теряют вес, а RevOps требует единой ответственности за выручку, количественные исследования меняют свою роль. Опросы больше не нужны лишь для «понять потребителя» — они становятся инструментом приоритизации ресурсов внутри компании. Особенно это касается B2B-продуктов, где выбор фичи или опции напрямую конвертируется в бюджет разработки и прогноз дохода.
Здесь на сцену выходит *MaxDiff* — метод попарного сравнения альтернатив. В отличие от традиционного ранжирования по шкале Ликерта, MaxDiff заставляет респондента выбирать лучшее и худшее из набора, снижая смещение из-за социальной желательности. Однако главное преимущество — получение относительной важности каждой опции на единой шкале. В B2B-среде, где решений мало, а бюджетные последствия велики, этот подход даёт объективную основу для принятия решений.
**Пример из практики.** Мы работали с вендором платформы для управления клиентским опытом. Команда хотела выбрать, какие три функции добавить в дорожную карту из десяти возможных. Классический опрос «оцените важность от 1 до 5» дал почти одинаковые средние баллы — все хотели всё. После проведения MaxDiff с 12 атрибутами и 8 заданиями на выборку из 250 представителей целевых сегментов (директора по маркетингу и руководители отдела продукта) мы получили чёткий порядок: одна функция набрала в 2,3 раза больший вес, чем следующая. Команда не стала «гадать», а направила 70% ресурсов на неё.
Важно: MaxDiff для B2B требует особого дизайна. Респонденты — занятые люди, выход из опроса на третьем задании реа
— @QuantResearchRuPro
Когда классические MQL-воронки теряют вес, а RevOps требует единой ответственности за выручку, количественные исследования меняют свою роль. Опросы больше не нужны лишь для «понять потребителя» — они становятся инструментом приоритизации ресурсов внутри компании. Особенно это касается B2B-продуктов, где выбор фичи или опции напрямую конвертируется в бюджет разработки и прогноз дохода.
Здесь на сцену выходит *MaxDiff* — метод попарного сравнения альтернатив. В отличие от традиционного ранжирования по шкале Ликерта, MaxDiff заставляет респондента выбирать лучшее и худшее из набора, снижая смещение из-за социальной желательности. Однако главное преимущество — получение относительной важности каждой опции на единой шкале. В B2B-среде, где решений мало, а бюджетные последствия велики, этот подход даёт объективную основу для принятия решений.
**Пример из практики.** Мы работали с вендором платформы для управления клиентским опытом. Команда хотела выбрать, какие три функции добавить в дорожную карту из десяти возможных. Классический опрос «оцените важность от 1 до 5» дал почти одинаковые средние баллы — все хотели всё. После проведения MaxDiff с 12 атрибутами и 8 заданиями на выборку из 250 представителей целевых сегментов (директора по маркетингу и руководители отдела продукта) мы получили чёткий порядок: одна функция набрала в 2,3 раза больший вес, чем следующая. Команда не стала «гадать», а направила 70% ресурсов на неё.
Важно: MaxDiff для B2B требует особого дизайна. Респонденты — занятые люди, выход из опроса на третьем задании реа
— @QuantResearchRuPro