Cloudflare запустил функцию Drop

Cloudflare запустил Drop — сервис, который разворачивает временный сайт за несколько секунд прямо из zip-архива.

Без аккаунта можно создавать сколько угодно таких страниц, но ссылка живёт всего 1 час. Потом сайт придётся переносить в аккаунт.

Зачем это нужно арбитражнику и что можно успеть за это время — в блоге.

➡️ Читайте на сайте: https://aff.top/blog/cloudflare-zapustil-funkciiu-drop

🧠 Ещё больше инсайтов → в канале AFF.top

Когда опросы перестали быть «мнениями»

Сильный опрос в 2026 году — это уже не сбор красивых ответов, а проверка того, как люди выбирают под ограничениями. Когда у потребителя меньше денег и больше усталости от контента, декларации про «нравится» почти ничего не стоят.
Поэтому в связке с conjoint и MaxDiff опросы становятся не про описание аудитории, а про расстановку приоритетов: что реально тянет выбор, а что просто звучит убедительно в отчёте. Вот почему я считаю, что опрос без поведенческой рамки сегодня часто даёт не понимание, а успокоение.

— @QuantResearchRu

По этой же теме советуем @BigQuery4MarketingPro

Open AI выпустила ChatGPT-5.6 и ChatGPT Work

OpenAI выпустила ChatGPT-5.6 и ChatGPT Work: новая модель получила три версии и понятный прайс, а Work стал универсальным инструментом для кодинга, текстов, изображений и анализа данных. Вывод простой: экосистема ChatGPT усиливается, а фокус смещается на многофункциональные сценарии, где один продукт закрывает сразу несколько задач.

➡️ Читайте на сайте: https://aff.top/blog/open-ai-vypustila-chatgpt-5-6-i-chatgpt-work

🧠 Ещё больше инсайтов → в канале AFF.top

SpacexAI выпустила Grok 4.5

xAI выпустила Grok 4.5 — новую версию флагманской нейросети, доступную в Cursor на всех тарифах и по API за $2 за миллион входных токенов. Бенчмарков пока нет, но модель в 4,2 раза экономнее по токенам на SWE Bench Pro и обучена на данных Cursor, что делает её сильным инструментом для разработки приложений.

➡️ Читайте на сайте: https://aff.top/blog/spacexai-vypustila-grok-4-5

🧠 Ещё больше инсайтов → в канале AFF.top

ChatGPT ads внедрил функцию автосоздания креативов

OpenAI добавила в ChatGPT Ads автогенерацию креативов: вставляешь ссылку на сайт, ИИ анализирует лендинг и создаёт релевантный креатив. По ощущениям, такие материалы должны легко проходить модерацию, но пока неясно, насколько они поддаются правкам. Источник интересен ещё и тем, что вайт можно сгенерировать тут же через ChatGPT.

➡️ Читайте на сайте: https://aff.top/blog/chatgpt-ads-vnedril-funkciiu-avtosozdaniia-kreativov

🧠 Ещё больше инсайтов → в канале AFF.top

В Google search console теперь можно добавлять соцсети

Google добавил в Search Console поддержку аккаунтов соцсетей: теперь можно отслеживать ключевые запросы, источники и географию переходов, показы и клики по ссылкам. Функция подключается там же, где и сайты, доступны четыре соцсети на выбор. Rollout постепенный — доступ получают не все сразу.

➡️ Читайте на сайте: https://aff.top/blog/v-google-search-console-teper-mozhno-dobavliat-socseti

🧠 Ещё больше инсайтов → в канале AFF.top

Google стал помечать креативы, созданные ИИ

Google объявил, что начнёт помечать рекламные креативы, созданные нейросетями. Причина — ИИ-баннеры и видео стали слишком похожи на настоящие.

Формат и заметность маркировки будут зависеть от законов конкретного региона: где-то предупреждение появится прямо на креативе, где-то — в его информации.

Что это значит для арбитражников и когда правила …

➡️ Читайте на сайте: https://aff.top/blog/google-stal-pomechat-kreativy-sozdannye-ii

🧠 Ещё больше инсайтов → в канале AFF.top

Компания Meta выпустила Muse Spark 1.1

Meta выпустила Muse Spark 1.1 почти одновременно с новой ChatGPT-5.6. Это мультимодальный агент, который сам дробит задачу на подзадачи и распределяет их между субагентами.

Стоимость тоже заметно ниже топовых западных моделей: $1.25 за миллион входных токенов и $4.25 за миллион выходных.

Но главный вопрос — насколько она реально сильна на фоне к…

➡️ Читайте на сайте: https://aff.top/blog/kompaniia-meta-vypustila-muse-spark-1-1

🧠 Ещё больше инсайтов → в канале AFF.top

Почему опросы часто врут — и как маркетинговому аналитику перестать им верить буквально

Опросы остаются одним из самых доступных способов быстро услышать рынок. Но в 2026 году их главная проблема не исчезла: люди по-прежнему отвечают не так, как ведут себя. И чем сложнее выбор, чем выше цена ошибки и чем больше вокруг шума, тем сильнее расходятся слова и действия.

Для маркетингового аналитика это не повод отказаться от опросов. Это повод перестать считать их фотографией реальности. Опрос — не доказательство, а модель восприятия. Он хорошо показывает, как человек объясняет себе выбор, но плохо — как он выбирает на самом деле.

**1. Люди отвечают из памяти, а не из опыта**

Большая часть опросных ошибок начинается не с формулировки вопроса, а с попытки респондента вспомнить то, чего он не помнит точно. Покупки, причины выбора, частота использования, отказ от бренда — всё это восстанавливается по памяти, а память всегда достраивает историю.

Пример: покупатель спрашивает себя, почему он выбрал один банк, а не другой. В ответ он честно пишет: «из-за удобного приложения». Но если посмотреть на путь выбора, окажется, что решающим был перевод зарплаты, рекомендация коллеги и отсутствие комиссии на первом этапе. Приложение стало уже рациональным объяснением задним числом.

Отсюда простой вывод: чем дальше вопрос от недавнего и конкретного действия, тем меньше ему можно доверять буквально. Полезнее спрашивать не «почему вы выбрали?», а «что было в момент выбора?» и «какие варианты вы сравнивали?».

**2. Декларируемые предпочтения хуже работают там, где есть компромисс**

Классический опрос хорошо ловит отношение к одному объекту: нравится ли бренд, доверяете ли вы сервису, считаете ли вы цену справедливой. Но как только человеку нужно выбрать между несколькими ценностями, обычный опрос начинает сглаживать реальность.

Именно поэтому conjoint-исследование (совместный анализ) остаётся таким полезным инструментом. Оно не спрашивает «что важно?», а заставляет выбирать между наборами свойств. Так проявляется цена компромисса.

Пример: для SaaS-продукта респонденты в обычном опросе ставят «поддержку 24/7» и «интеграции» на первые места. Но в conjoint оказывается, что при росте цены на 15% они гораздо чаще готовы отказаться от круглосуточной поддержки, чем от нужной интеграции. В словах оба параметра были важны. В выборе — один из них оказался действительно критичным.

Это особенно важно сейчас, когда в B2B классическая логика «сгенерировать лид, передать в продажи» уступает место RevOps-подходу: нужно понимать не просто интерес, а вклад каждого свойства в выручку и удержание.

**3. MaxDiff нужен не для рейтинга, а для расстановки приоритетов**

Многие используют MaxDiff (метод максимума-минимума) как более красивую замену обычному рейтингу. Это ошибка. Сила MaxDiff не в том, что он «точнее», а в том, что он заставляет делать жёсткий выбор: что действительно сильнее и что действительно слабее.

Пример: у бренда бытовой техники есть 12 обещаний — «надежность», «дизайн», «тихая работа», «экосборка», «удобство установки», «умное управление» и так далее. В обычном опросе почти всё оказывается «важным». В MaxDiff быстро выясняется, что для покупателей верхние места занимают надежность, тихая работа и простота использования, а модные характеристики остаются внизу. И это уже не косметика, а основа для коммуникации, упаковки и продукта.

Для аналитика здесь важен не сам список, а последствия. MaxDiff помогает не спорить о том, что «людям всё важно», а ответить на более полезный вопрос: что вынести в первый экран, а что оставить в хвосте описания.

**4. Хороший опрос не подтверждает гипотезу, а обнуляет иллюзии**

Самая зрелая роль опросов — не поддержать уже готовую идею, а проверить, где она ломается. Если исследование устроено так, что почти неизбежно подтверждает ожидания команды, оно мало что стоит.
…

Оптимизация продуктовой линейки через анализ совместных предпочтений (Conjoint Analysis) в условиях снижения среднего чека

В эпоху, когда потребители в электронной коммерции склонны к рационализации трат и удержанию средств, простого опроса о готовности платить недостаточно. Для формирования продуктового предложения, которое сохранит маржинальность, используйте дискретный выбор — метод, моделирующий реальные рыночные ситуации.

Алгоритм действий на текущей неделе для подготовки исследования:

— Определите 4–6 ключевых атрибутов продукта (например, цена, срок службы, дополнительные сервисы, условия доставки). В условиях снижения покупательной способности критически важно включить атрибуты, влияющие на долгосрочную ценность (LTV — жизненный цикл клиента).

— Установите уровни для каждого атрибута. Для цены используйте диапазон от текущей до сниженной на 15%, чтобы отследить эластичность спроса при падении среднего чека.

— Сформируйте профили продуктов с помощью ортогонального дизайна. Ваша задача — создать набор карточек, где каждый респондент сталкивается с выбором из 3–4 альтернатив. Это имитирует ситуацию в поисковой выдаче или AI-обзорах, где пользователь сравнивает предложения.

— Проведите полевой этап на выборке от 300 человек. Используйте квоты, соответствующие вашей текущей клиентской базе, чтобы данные отражали реальный сегмент, а не усредненного покупателя.

— Рассчитайте утилитарность (полезность) каждого уровня атрибута с помощью иерархической байесовской модели. *Именно этот показатель покажет, от чего потребитель готов отказаться ради сохранения ключевой ценности продукта.*

— Проведите симуляцию «что, если». Постройте график доли предпочтений (share of preference) при различных комбинациях характеристик. Сравните сценарий «максимальная прибыль» с базовым сценарием.

Результатом станет матрица оптимальных характеристик, которую вы передадите в отдел разработки или закупок. В текущей модели RevOps (общей ответственности за выручку) такой подход позволяет обосновать изменение ассортимента не предположениями, а математически выверенными данными о потребительском поведении. Это снизит риск ошибки при обновлении каталога и поможет сохранить показатели удержания в условиях сжатия рынка.

— @QuantResearchRuPro

Как MaxDiff помог убрать «шум» и выделить 3 приоритета из 12

У компании было типичное для исследований ограничение: список гипотез рос, а ресурсов на реализацию хватало только на несколько. Команда хотела понять, какие ценности и преимущества действительно важны для аудитории, а какие выглядят «правильно» только на бумаге.

Для этого вместо длинного опроса с оценкой каждого пункта по шкале решили использовать MaxDiff — метод предельных различий. Его плюс в том, что он заставляет респондента делать выбор между вариантами, а не ставить всем подряд одинаково высокие оценки. Для маркетинг-аналитика это особенно полезно там, где на входе 8–15 атрибутов и нужно быстро собрать приоритеты для позиционирования, упаковки или коммуникации.

В исследование включили 12 возможных преимуществ продукта. Каждому участнику показывали небольшие наборы из 4–5 пунктов и просили выбрать самый и наименее важный. На выходе получили не «среднюю температуру», а ранжирование с весами: стало видно, что 3 пункта заметно опережают остальные, а часть формулировок почти не влияет на выбор.

**Что это дало бизнесу:**
— сократили список коммуникационных акцентов с 12 до 3;
— упростили тестирование креативов и лендинга;
— сняли спор между командами «нравится / не нравится» и перевели обсуждение в цифры.

Для рынка 2026 это особенно ценно: при росте стоимости внимания и конкуренции за смысл важно не просто собирать мнения, а отделять настоящие драйверы выбора от декоративных формулировок.

**Урок простой:** если нужно приоритизировать много опций, MaxDiff часто полезнее обычной шкалы. Он экономит время, снижает эффект «всем по чуть-чуть нравится» и даёт более прикладной результат для решений в брендинге, B2B и performance-маркетинге.

— @QuantResearchRu

Российские букмекеры увеличили закуп трафика с мобильных приложений

Российские букмекеры в 1 квартале 2026 года заметно нарастили закупку трафика из мобильных приложений. На фоне ужесточения регулирования они смещают бюджеты в новые каналы, где ещё есть живой трафик.

По данным UMG, доля in-app-рекламы выросла с 3-4% до 5-6% при объёме рынка около 10 млрд рублей. Но это может быть только начало — в блоге разбираем…

➡️ Читайте на сайте: https://aff.top/blog/rossiiskie-bukmekery-uvelichili-zakup-trafika-s-mobilnykh-prilozhenii

🧠 Ещё больше инсайтов → в канале AFF.top

Mia Khalifa стала амбпссадором 1win

Mia Khalifa снова засветилась рядом с 1win: в Instagram она показала цепочку с логотипом бренда и статус «VIP 1win».

Параллельно всплыла история с ее ставкой на Испанию на ЧМ — по данным поста, выигрыш мог составить 200к$.

Официального подтверждения амбассадорства пока нет, но для арбитражников это уже повод для новых креативов. Что именно здесь…

➡️ Читайте на сайте: https://aff.top/blog/mia-khalifa-stala-ambpssadorom-1win

🧠 Ещё больше инсайтов → в канале AFF.top

Короткий домен Telegram перестал работать

Telegram лишился домена t.me: он разделегирован и больше не работает на уровне регистратора. Платформа срочно переезжает на telegram.me, а владельцам крупных каналов стоит обновить публичные ссылки. Сроки восстановления неизвестны, и есть риск, что t.me не вернётся вовсе на фоне давления на Telegram.

➡️ Читайте на сайте: https://aff.top/blog/korotkii-domen-telegram-perestal-rabotat

🧠 Ещё больше инсайтов → в канале AFF.top

Как MaxDiff помог бренду не спорить о вкусах, а считать приоритеты

У многих команд проблема одна и та же: в списке гипотез 15–20 пунктов, а ресурсов хватает на 3. На словах всё «важно», но в реальности нужен выбор. Именно для этого хорошо работает MaxDiff — методика, которая заставляет респондента не оценивать всё подряд по шкале, а выбирать лучшее и худшее из набора.

**Контекст.** У крупной продуктовой команды в e-com было 12 потенциальных улучшений карточки товара: от доставки и отзывов до фото, гарантии и рассрочки. Внутри спорили долго: маркетинг тянул в визуал, коммерция — в цену и скидку, продукт — в удобство. При этом средний чек в 2026 году под давлением, и ставка всё чаще идёт не на первую покупку, а на retention и LTV.

**Задача.** Понять, какие элементы карточки реально двигают выбор и повторную покупку, а какие только кажутся важными. Нужен был не общий рейтинг «нравится/не нравится», а приоритизация для дорожной карты.

**Решение.** Провели MaxDiff-опрос на 900 респондентах из целевой аудитории. В каждый набор попадали 4–5 атрибутов, и участник выбирал самый важный и самый неважный. Так получили не «среднюю температуру», а относительную ценность каждого фактора.

Результат оказался показательный:
— «Понятная доставка и сроки» — 42% всех выборов в топ;
— «Честная цена без скрытых доплат» — 38%;
— «Отзывы с фото и реальным опытом» — 31%;
— «Большое количество баннеров и промо-блоков» — только 7%;
— «Анимированные элементы интерфейса» — 4%.

После этого команда пересобрала карточку: убрали часть визуального шума, подняли блок доставки выше, усилили блок отзывов и вынесли итоговую цену без лишних трактовок. Через 6 недель в A/B-тесте конверсия в добавление в корзину выросла на 8,4%, а доля возвратов по «неожиданной стоимости» снизилась на 11%.

**Урок.** MaxDiff особенно полезен там, где много мнений и мало бюджета. Он не отвечает на вопрос «нравится ли», он отвечает на вопрос **что важнее в сравнении с остальным**. Для маркетинг-аналитика это удобный способ перевести обсуждение из плоскости вкусов в плоскость приоритетов.

— @QuantResearchRu

Youtube тестирует поиск с AI

YouTube начал тестировать Ask YouTube — поиск с ИИ, где можно задавать вопросы обычным языком и получать не список ссылок, а готовую подборку видео и фрагментов.

Фича уже доступна в США и работает на сложные запросы: если нужно, ИИ уточняет вопрос и подсказывает следующий шаг.

Что это значит для поиска на YouTube и когда новинка дойдёт до других…

➡️ Читайте на сайте: https://aff.top/blog/youtube-testiruet-poisk-s-ai

🧠 Ещё больше инсайтов → в канале AFF.top

Вопросы в опросах стали длиннее

За последний месяц в количественных исследованиях заметно одно сдвижение: в онлайн-опросах чаще появляются более развернутые формулировки. Не просто «что выберете?», а «какой вариант ближе с учетом цены, срока, условий, сервиса». Похожая деталь видна и в conjoint: в задаче чаще удерживают не два-три признака, а собирают более плотный набор атрибутов, чтобы не терять контекст выбора.

Еще один повторяющийся паттерн — в MaxDiff все чаще уводят формулировки от абстрактных качеств к более прикладным. Не «надежность» сама по себе, а «понятные сроки», «прозрачные условия», «быстрая поддержка». В B2B-опросах это особенно заметно: респонденту проще отвечать, когда сценарий похож на реальный выбор, а не на оценку в вакууме.

У вас за последний месяц было то же самое?

— @QuantResearchRuPro

Z.ai анонсировала новую GLM-5.5

Z.ai готовит релиз флагманской GLM-5.5: модель обещают показать в августе 2026 года.

Главная интрига — рост до 1 трлн параметров при том же контекстном окне в 1 млн токенов. Новинка снова будет заточена под код и агентные задачи.

Почему версия сразу 5.5, без 5.3 и 5.4, и что это может означать для рынка — в блоге.

➡️ Читайте на сайте: https://aff.top/blog/z-ai-anonsirovala-novuiu-glm-5-5

🧠 Ещё больше инсайтов → в канале AFF.top

Telegram запустил собственный сервер для ботов

Telegram запустил собственный сервер для ботов и мани-приложений: теперь backend можно размещать прямо внутри инфраструктуры мессенджера.

Сервер работает на JavaScript/TypeScript, через вебхуки, и позволяет подключать SQL-базу для сбора контактов без посредников.

Пока неясны цена и ограничения — что именно уже можно тестировать, а где скрыт подв…

➡️ Читайте на сайте: https://aff.top/blog/telegram-zapustil-sobstvennyi-server-dlia-botov

🧠 Ещё больше инсайтов → в канале AFF.top

Как SurveyMonkey срезал лишние вопросы и поднял качество ответов в опросах

SurveyMonkey — это не просто сервис опросов, а пример того, как правильно перестроить исследование, когда респондентов стало труднее удерживать до конца анкеты.

Задача у команды была вполне прикладная: снизить утомляемость респондентов и одновременно получать более надёжные данные. В длинных анкетах растёт доля незавершённых ответов, падает качество внимания, а в 2026 году это особенно заметно: люди отвечают быстрее, а конкуренция за внимание выше, чем за любой бюджет.

Решение искали не в «красивом дизайне», а в структуре опроса. Команда пересобрала анкеты вокруг приоритетных вопросов, убрала дублирующие блоки и начала чаще использовать:
— короткие скрининговые вопросы в начале;
— логику переходов, чтобы не показывать лишнее;
— MaxDiff-формат для приоритизации важного;
— conjoint-анализ, когда нужно понять, какие комбинации атрибутов реально влияют на выбор.

Ключевая мысль: **не каждый вопрос одинаково полезен для решения**. Если исследование отвечает на 3 бизнес-вопроса, а не на 12 «на всякий случай», качество данных обычно растёт.

Что получили:
— меньше незавершённых анкет;
— выше вовлечённость на сложных опросах;
— более чистые приоритеты по важности характеристик продукта.

Точных цифр в этом кейсе компания не раскрывает, и это важный момент: в исследовательских проектах не всегда есть «вау-метрика» для внешнего отчёта. Но практический эффект понятен — сокращение лишнего трения в опросе почти всегда улучшает качество выборки и снижает шум в данных.

Урок для маркетинг-аналитика простой: если вы строите опрос, сначала режьте не вопросы, а сомнения. Сформулируйте, какое решение примет бизнес по итогам исследования, и оставьте только те блоки, которые реально двигают это решение. В эпоху короткого внимания выигрывают не самые длинные анкеты, а самые точные.

— @QuantResearchRu

Есть схожая тема в @LookerStudioRuPro, рекомендуем