🎁 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! 🔥

Опросы не «врут» — врут вопросы

Миф в количественных исследованиях звучит просто: если респондент ответил, значит мы узнали правду о потребителе. Отсюда и завышенные ожидания от опросов, conjoint и MaxDiff: будто достаточно «спросить людей» — и рынок сам всё расскажет.

Откуда это берётся? Из привычки путать мнение с поведением. Вопросы кажутся дешёвым и быстрым способом получить решение, особенно когда надо поддержать бренд, проверить гипотезу для B2B-воронки или выбрать из пяти концепций креатива. Но опрос фиксирует не факт покупки, а **вербальную модель выбора**: как человек объясняет себе ответ здесь и сейчас.

Почему это неправда? Потому что ответы сильно зависят от формулировки, порядка вариантов, контекста и уровня абстракции. В conjoint респондент умеет сравнивать профили, но не всегда способен воспроизвести реальный компромисс в рынке. В MaxDiff мы получаем относительное предпочтение, а не обещание действия. В обычном опросе люди часто декларируют «важность» цены, качества и сервиса сразу, хотя в реальной ситуации ранжируют их по-разному. Это не ошибка метода — это его граница.

Что вместо него? Не искать «истину в одном вопросе», а строить измерение как систему:
— опрос для структуры мнений и сегментации;
— conjoint для моделирования выбора;
— MaxDiff для приоритизации атрибутов;
— поведенческие данные, тесты и инкрементальность для проверки на реальных действиях.

Сильная количественная исследовательская работа в 2026 году — это не вера в ответ, а дисциплина проверки.

— @QuantResearchRu

MaxDiff для исследования позиционирования в Zero-click эпоху: чек-лист по шагам

— Сформулируйте задачу как выбор приоритетов, а не «мнение»
Определите, что именно нужно ранжировать: ценности, выгоды, атрибуты продукта, причины покупки или отказа. Вопрос MaxDiff должен быть про сравнительное предпочтение: “что важнее/что выберете”.

— Зафиксируйте набор атрибутов и очистите его до 8–15 пунктов
Соберите кандидатов из интервью, саппорта, отзывов и рекламных креативов, затем уберите дубли по смыслу и слишком общие формулировки (“качество”, “удобство” без конкретики). Итог — список, который респондент может различать без объяснений.

— Спроектируйте матрицы выборов под бюджет и точность
Определите число вопросов на респондента (обычно 6–10 блоков) и размер набора “из чего выбирать” (например, 4–5 позиций в каждом блоке). Цель — обеспечить статистическую стабильность до расчёта полезностей, а не просто “снять оценки”.

— Сконструируйте формулировки так, чтобы минимизировать контекстные искажения
В каждом блоке используйте однотипную шкалу действий: “выберите 1 самый важный и 1 наименее важный”. Следите, чтобы не было подсказок в тексте (например, одинаковых триггерных формулировок для сильных/слабых атрибутов).

— Проверьте порядок, баланс и исключения до поля
Сделайте пилот: проверьте, понимают ли респонденты различия между атрибутами, не падает ли доля “не знаю”, нет ли систематических пропусков. Отдельно проверьте “похожие по смыслу” позиции — они чаще всего ломают различимость.

— Проведите расчёт с контролем интерпретации полезностей
После сбора используйте модель MaxDiff для получения относительных приоритетов (utility) и сегментных различий, если это предусмотрено дизайном. Не пересказывайте “лучший атрибут”, пока не увидите различимость между лидерами и хвостом.

— Привяжите результаты к решениям RevOps (маркетинг–sales–customer success)
Сделайте не отчёт, а артефакт для действий: какие атрибуты выдвигаем в сообщениях, какие — в демо/коммерческом предложении, какие — в онбординге для удержания. В 2026 это критично: ROI всё чаще доказывают через когорты и инкрементальность, а не через last-click.

когда это пригодится: при необходимости быстро и доказательно выбрать “что говорить” и “в каком порядке” в условиях zero-click и ослабления прямой лидогенерации.

— @QuantResearchRu

@SMMreportingRu разбирают это с практической стороны

Conjoint не спасёт, если вы не знаете, что именно измеряете

Я часто вижу одну и ту же ошибку: команду зовут в conjoint как в универсальный ответ на вопрос «что людям важно?». Но conjoint не про «важно вообще». Он про **выбор между наборами атрибутов**, где приходится обменивать цену, функциональность, срок, упаковку, сервис.

Если задача сформулирована расплывчато, модель даст красивую таблицу, но плохое решение. Например, в одном B2B-проекте мы сравнивали спрос на три пакета сервиса. На старте заказчик хотел «проверить ценность бренда». В итоге выяснилось, что бренд как атрибут почти не влияет на выбор, зато **срок внедрения и постоплата** меняют предпочтение сильнее цены. Это был полезный результат — но только потому, что мы заранее сузили вопрос до конкретного сценария покупки.

Мой вывод простой: conjoint работает не как исследование мнения, а как симулятор коммерческого выбора. И потому его качество определяется не математикой, а постановкой задачи.

Я бы проверял перед запуском три вещи:
— есть ли реальный список атрибутов, которые клиент действительно сравнивает;
— может ли респондент представить выбор без внешней помощи;
— не путаем ли мы продуктовую ценность с коммуникационной оболочкой.

Для маркетинг-аналитика здесь важен ещё один момент эпохи 2026: когда last-click и поверхностные метрики теряют силу, возрастает ценность исследований, которые показывают не «кто кликнул», а **почему выбирают**. Но только если метод не используют как декоративную аналитику.

Если вопрос не про выбор, а про отношение, знание или узнаваемость — нужен опрос другого типа. Conjoint в этом месте не просто лишний, а вводит команду в заблуждение.

— @QuantResearchRu

Опросы стали короче — и это видно в качестве ответов

За последний месяц в проектах всё чаще встречается один и тот же паттерн: длинные анкеты начинают резать не только по времени прохождения, но и по содержанию ответов. На 12–15 минуте у респондента заметно растёт доля «ровных» формулировок, сокращаются пояснения в открытых вопросах, чаще появляются одинаковые варианты по шкалам.

На этом фоне команды чаще дробят исследование на несколько коротких модулей: сначала скрининг и базовые установки, отдельно — MaxDiff, отдельно — conjoint, а открытые вопросы оставляют только на финал или выносят в отдельную волну. В опросниках стало меньше места для «всё в одном», даже когда логика проекта этого вроде бы просит.

Ещё один повторяющийся момент: при одинаковой длине анкеты мобильные респонденты устают быстрее, чем desktop-аудитория, и это особенно заметно в B2B-исследованиях, где вопросы и без того длиннее обычного.

У вас в проектах это тоже проявляется?

— @QuantResearchRu

Лонгрид о мемном кейсе Melbet vs Pepper Partners - реально ли оценить в аффилейтке репутационный ущерб в деньгах?

История на $2,000 вряд ли разрушит крупный бренд. Но она вполне может стоить ему сотен тысяч долларов и более, если публично остаётся без внятного решения.

Я в аффилейт-маркетинге более 25 лет, а последние пару лет одно из моих основных направлений - B2B matchmaking. Поэтому я регулярно вижу споры между компаниями о выплатах и претензии, и таких ситуаций в рынке явно становится больше.

Знаю многие кейсы, которые были в итоге решены благополучно до выхода в публичное поле и всегда приятно видеть, когда так происходит, но все больше и больше кейсов, которые не просто выходят в паблик, а еще и очень странным и глупым образом в паблике продолжают долго оставаться и наносить ущерб в то время как имеют очень простые и адекватные для обеих сторон варианты решения.

Вот например про один из таких кейсов писал уже здесь весной.

Если неконструктивны обе стороны (а бывает и так), то можно к этому относиться просто как к развлекательному контенту.

Но когда одна сторона открыта к адекватной коммуникации и поиску оптимального решения, а вторая сторона просто игнорирует проблему, при этом не уходя с рынка в закат, а продолжая тратить огромные бюджеты на PR и маркетинг бренда - это любопытная аномалия.

Сейчас самый заметный в аффилейт рынке пример это кейс Melbet <> Pepper Partners, который уже более месяца развивается в публичном поле и о нем уже писали и многие аффилейт медиа, и отдельные блоги, я наверно один из последних, кто у себя в блоге еще об этом не писал)

Изначальное заявление кейса и описание претензии от Pepper Partners можно почитать здесь.

Очень приличный на мой взгляд разбор со стороны и указание пары простых и логичных вариантов решения ситуации написал Артем Кравченко, можно почитать у него.

А я хочу разобрать эту историю с другой стороны, как можно оценивать репутационные потери от подобных историй непосредственно в деньгах и принимать более взвешенные решения, стоит ли вообще брендам занимать тактику игнорирования и допускать появление и продолжительное обмусоливание таких тем в паблике.

Для мелкого и крупного бренда такие истории могут иметь очень разный эффект, поэтому здесь разберем на примере крупного бренда, так как Melbet в нашем рынке относится именно к таким.

Не знаю конечно их точные цифры затрат на PR в рамках афф рынка (участие в конфах, собственные ивенты, реклама в афф медиа и т.п.), но из того, что вижу как организатор ивентов с приличным опытом, этот бюджет явно измеряется в миллионах $ в год, если не выходит за $10млн+.

Это без PR затрат на прямое привлечение игроков (бренд-амбассадоры, спонсорства футбольных клубов и т.п.), без бюджетов непосредственно на закупку трафика. Только на аффилейтку.

И вот уже более месяца в паблике незакрытый и не откоммуницированный публично кейс на $2k (две тысячи долларов).

В публичной дискуссии сейчас преобладает позиция, что Melbet в этом споре неправы.

Может их развернутая публичная позиция поменяла бы мнение, но ее нет, соответственно на данный момент так.

Какие материальные потери может понести бренд в такой истории?

Многие люди, даже очень опытные и умные, почему-то к таким ситуациям относятся бинарно.

Рухнет бренд (закроется, обанкротится) - значит плохо на них повлиял кейс.

Останется бренд жить и работать как ни в чем не бывало внешне - значит никак не повлияло и может они правильно решили игнорировать, а кто-то вообще решит брать с них пример.

Но это же совсем не так, ситуация не бинарная.

Представим не фактические цифры Melbet, которых у нас нет, а консервативную модель крупного рекламодателя.

Если из-за такого кейса бренд потеряет 10 качественных действующих активных партнёров, либо не привлечёт 10 таких новых партнёров, которые в другой ситуации начали бы с ним работать, последствия уже могут быть кратно выше суммы самого спора.

Я не знаю внутренний LTV партнёра у Melbet. Но если принять для активного опытного аффилейта условные $10,000 LTV, десять таких потерянных партнеров - это уже шестизначная сумма $ недополученного дохода. И это без учёта крупных команд, в случае которых эффект может быть кратно выше и оказаться семизначным.

Даже если в этой модели ошибиться и завысить в несколько раз, сам принцип никуда не исчезает - незакрытый публичный спор на $2,000 в любом случае обойдется бренду многократно дороже этих $2,000.

Цифры конечно я прикинул условные, но рассуждения не виртуальные - я знаю афф команды, которые перестали быть их активными партнерами из-за этого кейса.

Одна известная в рынке команда публично рассказала о своем таком решении в моем чатике про scam-кейсы.

А теперь вернемся к миллионам долларов в год, которые Melbet тратит на публичный PR среди аффов через конфы и прочие активности.

У этих трат же есть определенные ожидаемые и реальные результаты, верно?

На каждый затраченный миллион ожидается определенное количество привлеченных новых партнеров и укрепление лояльности и увеличение оборотов с определенным количеством действующих партнеров.

Вообще без понятия какая там ожидаемая сумма выхлопа на каждый потраченный миллион, поэтому обозначим ожидаемую сумму выхлопа с потраченного на PR миллиона в X.

При таком незакрытом публичном кейсе, вызывающем большой отклик и возмущение в рынке - останется эта сумма выхлопа с PR X без учета прочих факторов или она станет меньше X?

Очевидно станет меньше, доверие к бренду ниже, а значит и вложения в PR дают меньшую отдачу.

Я понимаю, что не все читатели, в том числе заинтересованные, могут дружить с математикой, и особенно понятием математического ожидания на дистанции, но вопрос здесь не только в этике и не только в справедливости конкретной претензии. Это вопрос качества управленческого решения.

Когда бренд инвестирует миллионы в доверие рынка - через конференции, медиа, партнёрские активности и PR, игнорирование аргументированного публичного конфликта снижает отдачу от всех этих вложений. Репутация не выглядит отдельной строкой в P&L, но её потеря вполне превращается в недополученный доход, более дорогой PR и менее лояльных партнёров.

Я искренне надеюсь, что все больше компаний в нашем рынке будут становиться более сознательными и не терять огромные деньги на ровном месте, и если бизнес-этика не зашита в культурный код, то хотя бы из сугубо материальных корыстных соображений начнут вести себя адекватнее)

Всем отличной недели и благоразумия)

Социальный мониторинг для исследований: 3 инструмента и чем они отличаются

Для маркетинг-аналитика соцмониторинг полезен не только как «слушание упоминаний», но и как источник для проверки гипотез: что обсуждают, какие слова используют, где растёт напряжение вокруг бренда, продукта или категории. В 2026 году это особенно важно там, где классический информационный поиск слабее, а ценность собственной экспертизы и внешних сигналов выше.

**Brand24 — для кого:** для команд, которым нужен быстрый обзор упоминаний бренда, кампаний и повестки в соцмедиа. **Сильная сторона:** понятный интерфейс и широкий набор сценариев для ежедневного мониторинга. **Слабая сторона:** глубина аналитики обычно достаточна для операционного контроля, но не всегда хватает для сложных исследовательских разрезов.

**Awario — для кого:** для маркетологов и исследователей, которым важны поиск по запросам, отслеживание тем и конкурентный фон. **Сильная сторона:** удобен для сценариев, где нужно быстро собрать «карту разговора» по категории и увидеть, кто и где говорит. **Слабая сторона:** как и у многих платформ этого класса, качество результата сильно зависит от настройки запросов и фильтров.

**MentionLytics — для кого:** для тех, кому нужен более широкий взгляд на присутствие бренда в онлайн-среде и контроль репутационных сигналов. **Сильная сторона:** хорошо подходит для регулярного наблюдения за динамикой упоминаний и реакции аудитории. **Слабая сторона:** при сравнении с альтернативами важно отдельно проверять, насколько удобно строятся отчёты и насколько прозрачно устроена ручная валидация данных.

**Как выбирать:** если задача — ежедневный мониторинг и отчётность, смотрите на удобство и скорость; если нужен исследовательский контур, важнее точность запросов, гибкость фильтров и качество выгрузки; если планируете использовать данные для решений по бренду, проверьте, можно ли на их основе уверенно делать сравнения и не полагаться только на общий объём упоминаний.

— @QuantResearchRuPro

MaxDiff: когда нужен приоритет, а не просто «оценка важности»

MaxDiff, или метод наибольших различий, — это опросная техника, в которой респонденту последовательно показывают наборы из 3–5 вариантов и просят выбрать самый и самый неважный. На выходе метод даёт **относительный рейтинг предпочтений**: что сильнее влияет на выбор, а что слабее.

Его часто путают с conjoint (совместным анализом). Разница простая: conjoint отвечает на вопрос «как люди выбирают между продуктами с разными характеристиками», а MaxDiff — «что из списка ценностей, фич или аргументов важнее». Conjoint хорош для проектирования предложения и оценки компромиссов, MaxDiff — для приоритизации сообщений, сегментов, преимуществ, потребностей.

Типичные ошибки:
— использовать MaxDiff для редких или очень похожих пунктов: метод плохо работает, когда респондент не видит различий;
— делать слишком длинный список без разбивки на блоки;
— трактовать результаты как абсолютную «сильность», хотя это именно сравнительная шкала;
— забывать, что MaxDiff показывает приоритет внутри заданного набора, а не на рынке в целом.

Пример: B2B-команда выбирает позиционирование для SaaS-сервиса. В список попадают «экономия времени», «интеграция с CRM», «поддержка 24/7», «быстрый запуск», «отчёты для руководства». MaxDiff помогает понять, какие аргументы стоит вынести в первый экран сайта и в sales-материалы, а какие оставить вторым уровнем.

— @QuantResearchRuPro

$80 за FTD на СНГ — казино-оффер от ПОКЕРОК Partners

Ищете новый оффер для теста? Рассказываем, что предлагаем партнёрам:
• CPA $80 за FTD на все гео СНГ
• $100 к первой выплате для новых аффилиатов
• 5% по саб-реферальной программе
• прозрачная статистика в партнёрском кабинете
• поддержка личного менеджера

Принимаем различные источники: social, мессенджеры, YouTube / Twitch / Kick, SEO, PPC, in-app и медийный трафик.

В казино ПОКЕРОК также доступна GG99 — линейка из 20+ игр с RTP 99%, включая слоты, настольные игры, видеопокер и аркады. Это весомое преимущество для новых игроков в дополнение к приветственным бонусам.

И ещё один повод подключиться уже сейчас: 27 августа состоится Friendly Tournament для партнёров ПОКЕРОК Partners. Успейте подключиться до 25 августа, чтобы принять участие!

Присоединяйтесь к ПОКЕРОК Partners и начинайте зарабатывать на своём трафике уже сейчас!

Опросы всё чаще ловят не мнение, а оправдание

Когда респондент видит вопрос про выбор, он нередко отвечает не как покупатель, а как человек, который хочет выглядеть последовательным. В 2026 это особенно заметно: решений больше, времени меньше, а социально желательный ответ никуда не делся. Поэтому я бы смотрел на опросы не как на зеркало спроса, а как на слой фильтрации. Они хорошо показывают язык аудитории, но плохо — её реальное поведение.

— @QuantResearchRu

Трекинг упоминаний в 2026: как выбрать инструменты, чтобы связать “видимость” с выручкой

Пост полезен маркетинг-аналитику, которому нужно не просто “собирать упоминания”, а превращать их в измеримые решения: какие темы привлекают релевантную аудиторию, где растёт доверие, как это учесть в обзоре эффективности при privacy-first атрибуции (server-side, MMM, incrementality) и уходе от last-click.

Talkwalker Alerts / упоминания в новостях и вебе — для кого: бренды и B2B-команды, которым важны быстрые сигналы о появлении сообщения в публичном поле — сильная сторона: широкое покрытие и удобные уведомления по ключевым словам/темам, что помогает реагировать на репутационные риски и ловить всплески обсуждений — слабая сторона / минус: для глубокой аналитики “причинно-следственных” связей (какие сегменты, какие формулировки, какой вклад в pipeline) часто требуется доработка: выгрузки и ручная нормализация, а не готовая модель влияния.

Brand24 (мониторинг репутации и упоминаний) — для кого: команды, которым нужна управляемая система “слушания” с фокусом на репутацию — сильная сторона: логика вокруг brand reputation management — мониторинг, защита и рост восприятия, плюс оригинальные подходы к исследовательской работе (например, как интерпретировать тональность и динамику упоминаний) — слабая сторона / минус: как и многие сервисы в классе медиа-мониторинга, качество зависит от настройки словаря и фильтров (синонимы, жаргон, омонимы). Без хорошей таксономии метрики “видимости” могут расходиться с качеством спроса.

Meltwater / Brand Mention-аналитика (в соцмедиа и медиа) — для кого: компании, где мониторинг нужен не только аналитику, а всей цепочке RevOps (маркетинг–sales–customer success) для выравнивания коммуникаций — сильная сторона: более “управленческий” контур: сбор упоминаний, классификация по источникам, рабочие отчёты для регулярной оценки восприятия — слабая сторона / минус: автоматические кластеризации и подсчёт показателей могут быть избыточно “черными ящиками”; если вы строите топик-модель под Topical Authority или хотите использовать результаты как вход для conjoint/MaxDiff, часто нужна собственная валидация на выборке.

как выбирать
Смотрите не на “сколько упоминаний”, а на доказуемость цепочки: есть ли управляемые фильтры/таксономия, качество распознавания тем и тональности, возможность выгрузить данные для ваших моделей (сегменты, формулировки, стимулы для conjoint/MaxDiff) и сопоставить динамику с измеримыми показателями в вашей privacy-first методологии.

— @QuantResearchRu