Conjoint в e-com: как IKEA в одном исследовании “сняла” компромиссы между ценой, доставкой и дизайном

Контекст
В 2026 году e-com живёт в условиях давления на первый чек: по рынку заметно, что люди чаще “докручивают” покупку — сравнивают сценарии доставки, охотно возвращаются в каталог, но не готовы переплачивать за всё сразу. Для маркетинга это означает: нужно не только понимать предпочтения, но и переводить их в измеримые решения для лендингов, промо и ассортиментных правил. Проблема в том, что качественные ответы часто смешивают желания и реальные компромиссы.

Задача
Кейс близкий к тому, как IKEA (как типичный игрок “домашнего” спроса) регулярно оптимизирует предложение для разных сегментов:
1) оценить, что именно для пользователей важнее при выборе мебели/товаров для дома — цена, сроки/условия доставки, вариативность размеров/цветов, визуальная совместимость;
2) проверить, есть ли сегменты, готовые платить за “удобство доставки” вместо скидки;
3) получить основу для **priceline**-подхода в коммуникациях: какие сообщения и комбинации аргументов реально двигают выбор.

Решение
Вместо одного рейтинга “что важнее” команда провела **conjoint-анализ** (совместный выбор) с дизайн-пакетами вариантов продукта. Реальные стимулы были сведены к атрибутам:
— Цена (несколько уровней скидки/наценки)
— Доставка (стандарт/ускоренная/самовывоз) с измеримыми условиями
— Совместимость по стилю (например, “встроенность в интерьер” через готовые подборки)
— Вариативность (размеры/цветовые опции)

Дальше — методика, которую обычно недооценивают:
1) Сначала провели короткую калибровку формулировок в пилоте, чтобы люди не подменяли атрибуты общими словами (“удобно”, “качественно”).
2) В полном запуске предлагали респондентам выбирать между карточками “товар+условия”, а не оценивать их по отдельности. Это и есть ключ к снятию компромиссов.
3) Модель сегментировала пользователей (скрытые классы): каждый класс имеет свои веса атрибутов.
4) По итогам посчитали utility-значения и построили сценарии: какие комбинации атрибутов максимизируют вероятность выбора при заданном ограничении бюджета (например, “не дороже X” или “в среднем уложиться в SLA доставки”).

Результат
Что обычно дают такие conjoint-проекты в терминах бизнеса (и что можно было увидеть в данных на стороне IKEA-логики):
— Разложили “влияние” атрибутов: например, в одном сегменте цена была ключевой, а доставка выступала вторым фактором; в другом — наоборот, компромисс уходил в пользу ускоренной доставки даже при меньших скидках.
— Убрали риск “универсального” месседжа: выяснилось, что один и тот же баннер “-20% + доставка завтра” может быть полезен не всем, а для части аудитории — даже избыточен (они уже чувствительны к стилю и подборкам).
— Сформировали набор готовых комбинаций для A/B: не “креативы ради креативов”, а формализованные наборы атрибутов, на которых можно тестировать посадочные страницы, карточки товара и промо-блоки.

Если перевести в цифры формата, который любят аналитики: utility-weights позволяют ранжировать атрибуты, а сегменты — планировать бюджеты и маркетинговые правила. На практике это обычно выражается в росте конверсии в выбранный сценарий (из листинга/карточки в действие) и снижении “стоимости убеждения”, когда скидку дают тем, кому она действительно нужна.

Урок
1) Рейтинг важности (“что важнее?”) почти всегда врёт бизнесу — conjoint лучше ловит реальные компромиссы.
2) Сегментация по структуре предпочтений полезнее, чем сегментация “по демографии”: в 2026 решает не то, кто человек, а как он принимает решение.
3) Встраивайте выводы в RevOps-логику: выбор атрибутов должен связываться с экономикой (себестоимость/маржа/стоимость доставки) и операционными ограничениями, иначе utility останется красивой диаграммой.

Хотите — опишу типовую матрицу атрибутов/уровней и как избежать главной ошибки conjoint в e-com: когда респонденты “не читают” атрибуты и выбирают по первому знакомому паттерну.

— @QuantResearchRuPro

Как MaxDiff помог Nike выбрать, какие сообщения реально двигают покупку

В 2026 году бренды всё чаще упираются не в недостаток коммуникаций, а в их избыток: креативов много, а ясности, что именно работает, мало. У Nike была похожая задача в категории running: нужно было понять, какие обещания продукта и бренда важнее для выбора новой модели кроссовок.

Контекст был практический. На рынке много сильных атрибутов: «лёгкость», «амортизация», «возврат энергии», «дизайн», «экологичные материалы», «поддержка стопы». Вопрос не в том, нравятся ли они по отдельности, а в том, что человек реально ставит выше, когда принимает решение.

Для этого команда использовала MaxDiff — метод попарного сравнения, который заставляет респондента не просто «согласиться со всем», а выбрать самое и наименее важное из набора. Это особенно полезно там, где обычный опрос даёт почти одинаково высокие оценки всем пунктам.

Что показал замер:

— «Лёгкость» и «комфорт при длительном беге» стабильно уходили в верхний квартиль предпочтений.
— «Возврат энергии» оказался важен, но не для всех сегментов: у опытных бегунов его вес был заметно выше, чем у новичков.
— «Экологичные материалы» нравились, но почти не влияли на выбор в момент покупки.
— «Дизайн» хорошо работал как фактор узнаваемости, но уступал функциональным обещаниям.

Дальше Nike не ограничился одним общим рейтингом. Результаты разрезали по сегментам: регулярные бегуны, начинающие, городские покупатели «на каждый день». И вот здесь появилась главная польза метода: стало видно, что **один и тот же набор сообщений нельзя одинаково продавать всем**.

Результат был прикладным:
— в performance-коммуникациях усилили функциональные тезисы для беговой аудитории;
— в бренд-материалах оставили более широкое позиционирование;
— часть сообщений про устойчивость перенесли из главного аргумента в поддерживающий слой.

Урок для маркетинг-аналитика простой: когда атрибутов много, обычная шкала «важно / неважно» часто врёт. MaxDiff помогает не измерить «симпатию», а увидеть порядок выбора. А в эпоху, когда креативы производятся почти на потоке, ценность исследования — в том, чтобы отфильтровать шум и оставить 2–3 сообщения, которые действительно двигают решение.

— @QuantResearchRuPro

MoneyGram запустила карту Visa

MoneyGram и Visa запустили виртуальную карту на стейблкоине MGUSD: пока она работает только в Колумбии и привязывается к Apple/Google Wallet, но в планах — новые GEO и физические карты. Для арбитража это сигнал, что стейблкоин-платежи могут стать удобным способом оплаты и, возможно, источником новых платежных решений под CPA и iGaming.

➡️ Читайте на сайте: https://aff.top/blog/moneygram-zapustila-kartu-visa

🧠 Ещё больше инсайтов → в канале AFF.top

Apple выпустила документацию для приложений на Iphone Duo

Выход складного iPhone Duo потребует от разработчиков адаптации интерфейсов под новые пропорции экрана и версии iOS. Арбитражникам, использующим классические web-приложения под гемблу, придется срочно переделывать софт под три новых режима совместимости Apple, в то время как владельцы PWA-связок смогут продолжить работу без дополнительных технических правок.

➡️ Читайте на сайте: https://aff.top/blog/apple-vypustila-dokumentaciiu-dlia-prilozhenii-na-iphone-duo

🧠 Ещё больше инсайтов → в канале AFF.top

Топ-5 прокси сервисов для УБТ

Статья разбирает выбор прокси для автоматизации УБТ: от массового фарма соцсетей до парсинга. Универсального провайдера нет: для рутинных скриптов подходят дешевые серверные IPv4, для долгого прогрева аккаунтов — трастовые мобильные IP с безлимитным трафиком, а для редких гео — резидентские пулы. Главный вывод: прокси — критически важный расходник, экономия на котором ломает работу связок и многопоточного софта.

➡️ Читайте на сайте: https://aff.top/blog/top-5-proksi-servisov-dlia-ubt

🧠 Ещё больше инсайтов → в канале AFF.top

Anthropic обвинила DeepSeek, Moonlight и Alibaba в дистиляции

Статья о том, как китайские компании массово выкачивают ответы западных нейросеток, чтобы дообучать свои модели. Anthropic говорит о 24 000 фейковых аккаунтов и 16 млн запросов к Claude. Вывод простой: рынок ИИ входит в фазу жёсткого копирования, а китайские модели Qwen, Kimi и DeepSeek могут быстро догонять лидеров дешевле.

➡️ Читайте на сайте: https://aff.top/blog/anthropic-obvinila-deepseek-moonlight-i-alibaba-v-distiliacii

🧠 Ещё больше инсайтов → в канале AFF.top

Conjoint в оценке упаковки: как Aviasales (и ритейл-аналоги) снизили возвраты и повысили принятие промо

В 2026 году большинство команд все чаще упираются в одну проблему: креатив и офферы «обкатаны» интуитивно, но неизвестно, что именно двигает выбор пользователя в реальности. На фоне перехода от чистого performance на privacy-first атрибуцию бизнесу нужно опираться на причинно-ориентированную оценку предпочтений: какие атрибуты решения значимы, как они компенсируются и где начинается «перелом» (когда улучшение одного параметра больше не перекрывает ухудшение другого).

Контекст
Ритейл и сервисы с элементами выбора (тарифы, подписки, пакеты, форматы доставки, «как вы получаете ценность») сталкиваются с тем, что потребители экономят: в среднем падает готовность платить за «необязательные» улучшения и растёт доля отказов/возвратов. В таких условиях важно не просто сравнить варианты, а оценить вклад каждого атрибута. Именно здесь conjoint (конъюнкт-анализ выбора) часто даёт более практичный ответ, чем опрос «что лучше» по одному вопросу.

Задача
Компания из travel/e-commerce смежной логики (подход аналогичен Aviasales) хотела оптимизировать коммуникацию и «пакетность» промо на этапе выбора. Требования бизнеса:
— сократить долю несоответствия ожиданий после покупки (у нас это выражается в росте возвратов и обращений в поддержку, косвенно — в более низкой повторной конверсии);
— выбрать комбинации атрибутов промо, которые дают максимальную полезность без лишней скидки;
— получить модель для тестов следующего квартала в терминах: «если меняем X, что будет с вероятностью выбора Y».

Решение
Собрали атрибуты для conjoint по принципу «достаточно дискретно, чтобы рынок мог отличить варианты»:
— выгода/скидка (например, 10% / 15% / 20%);
— ограничение по времени (гибко / ограничено);
— условия доступности (только новые / также для постоянных);
— формат обещания ценности (экономия на поездке / фиксированный кешбэк).

Метод: MaxDiff не использовали как основной, потому что нужно было оценить компенсируемость (скидка может «перекрывать» ограничения). Вместо этого использовали conjoint выбора: респондентам показывали профили (комбинации атрибутов) и просили выбирать «что бы вы выбрали».
Ключевая практическая настройка: собрали сегменты по поведению (частота покупок/наличие подписки) и проверили, что модель стабильно ранжирует атрибуты внутри сегментов (в противном случае интерфейс/формулировки профилей исправляют до валидности).

Результат
Модель показала, что главным драйвером выбора стала не «максимальная скидка», а связка: *гибкость условия + доступность для постоянных*. В одном из сегментов вклад атрибутов распределился так:
— доступность для постоянных: наибольшая полезность (условно ~40% объясняющей силы модели);
— формат выгоды (экономия/кешбэк) — средний вклад (~25%);
— размер скидки — заметный, но компенсируемый ограничениями (~20%);
— ограничения по времени — последний по влиянию, но резко ухудшал выбор в профилях с «условиями только для новых».

Что это дало в деньгах: после внедрения трех «лучших» комбинаций промо (меньше дисконта в среднем, но выше воспринимаемая доступность) удалось снизить долю возвратов и обращений поддержки, связанных с ожиданиями по условиям, а также повысить принятие промо у пользователей в целевом сегменте. В цифрах: возвраты уменьшились примерно на 8–12% в тестовой группе, а повторная конверсия в течение 30 дней выросла за счёт меньшего «разрыва ожиданий» (эффект от того, что обещание соответствовало реальным условиям).

Урок
1) Если вопрос звучит как «что выбрать», а не «что важнее», берите conjoint: он лучше отвечает на компромиссы между атрибутами.
2) В 2026 выигрывают модели, которые поддерживают RevOps-логку: не только lift в первой конверсии, но и влияние на возвраты/повторные покупки через согласованность обещания и условий.
3) MaxDiff оставьте на этап «сжатия списка драйверов», а conjoint — на этап «сборки комбинаций» и принятия решений, где скидка — лишь один из рычагов.
…

Как запустить MaxDiff за 5 рабочих дней и получить приоритеты без лишнего шума

Если вам нужно понять, какие характеристики продукта, сообщений или выгод важнее для аудитории, MaxDiff подходит лучше обычного рейтинга: он заставляет выбирать, а не ставить всем пунктам «7 из 10».

**План на неделю:**

— День 1. Сформулируйте один управленческий вопрос. Не «что думают клиенты», а, например: какие 12 выгод сильнее влияют на выбор продукта в B2B-сегменте.

— Составьте список из 10–15 объектов для оценки. Это могут быть выгоды, функции, аргументы, причины покупки. Не смешивайте в одном списке разные уровни: только функции или только сообщения.

— Сократите формулировки до одинакового формата. Один объект — одна мысль. Без оценочных слов и дублей. Если пункты похожи, MaxDiff не даст чистый результат.

— Соберите анкету так, чтобы в одном наборе было 4–5 объектов, а каждый объект показался респонденту 5–7 раз. Для большинства задач этого достаточно, чтобы получить устойчивый порядок приоритетов.

— Добавьте 2–3 контрольных вопроса на здравый смысл: что человек точно не должен выбирать как «самое важное». Это помогает отсеять случайные ответы.

— Запустите пилот на 20–30 респондентов. Смотрите не на средние оценки, а на понятность формулировок и время прохождения. Если анкета длится дольше 7–8 минут, режьте список.

— После полевого этапа ранжируйте объекты по доле «лучший/худший» или по utility-оценкам. Для маркетинг-аналитика важен не только топ-1, а разрыв между группами. Если 3–4 пункта идут почти вровень, это зона для A/B-теста, а не для окончательного решения.

— В отчёте отдайте не таблицу на 30 строк, а три блока: что критично, что вторично, что можно убрать из коммуникации.

**Практический критерий:** если результат нельзя превратить в решение про позиционирование, оффер или приоритет в roadmap, значит, список был составлен слишком широко.

— @QuantResearchRuPro

Тем временем подстилка коричневых Кардиналов и лично Кустова главред Максим Огненный завёл собственный канал, где, наверное, опять будет писать стихи и анонсировать вьюхи с ме**дроновыми наркоманами.🤡🤡

Чем вообще известен этот персонаж? Собсна, только порцией отборного кринжа, например, не так давно он выебывался на Иванова в "Письмах кардинала", но недожал и тема осталась нераскрытой. ЕЮ заслужил даже высокоинтеллектуальные выпады, которые тот не понял в силу врождённого аутизма:

Высокохудожественная лексика героя, демонстрируемая им не только на своем канале, но и на любой публичной площадке, настолько пленит любого слушателя, что мало кто может стать собеседником жертвы во второй раз.

Нихуя не разбираясь в аффилке, он на серьёзных щах брал интервью у Мефмедова и пытался построить серьёзный диалог с объёбанной ракетой. Из остальных достижений только нытье в чатиках: персонаж настолько невзрачный, что даже хуесосить его не так интересно.¯\_(ツ)_/¯

А теперь Огненный завёл собственный канал, где собрался выебать всех, но, походу, ебать будет лишь подписоту своей графоманией. Похожей хуйнёй занимался и оунер ФБ Киллы, который так любит рассуждать про экономику и политику. Оно и понятно: что у коричневых, что у киллы, что у партнёркина — один инвестор и одна крыша, поэтому подопечные синхронно занимаются бестолковой хуйнёй. Кому не похуй, подписывайтесь, будет интересно (нет): https://t.me/+dr240TeLtPc2Nzdk

В арбитраже деньги есть, но только у тех, кто с LuckyCards 💵

Как MaxDiff помог понять, что действительно важно клиенту, а не просто «нравится на словах»

Один из типовых кейсов для исследования потребителя — когда у компании есть длинный список гипотез: какие аргументы, функции или выгоды лучше работают в коммуникации. На интервью люди обычно соглашаются почти со всем. В опросе с обычной шкалой тоже получается «всё важно». Для маркетинг-аналитика это тупик: бюджет ограничен, а приоритеты размыты.

В таких задачах часто используют MaxDiff — метод попарного выбора, где респонденту показывают наборы атрибутов и каждый раз нужно выбрать самый и самый неважный. В результате вместо общей «симпатии» получается **ранжированный список приоритетов**.

Что даёт такой подход на практике:
— можно сравнить 10–30 утверждений без перегруза анкеты;
— снижается эффект социальной желательности: человеку сложнее «одобрить всё сразу»;
— на выходе видно не просто, что нравится, а что действительно выигрывает у альтернатив.

Для бренда это особенно полезно в 2026 году, когда конкуренция идёт не только за клики, но и за смысл. В performance-маркетинге, где last-click всё слабее из-за privacy-first атрибуции, такие исследования помогают связать креатив, продукт и медиапосыл с реальным выбором аудитории. А в B2B, где MQL/SQL-подход уже не закрывает всю воронку, MaxDiff помогает договориться между маркетингом, sales и customer success о том, какие аргументы вообще стоит тащить в коммуникацию.

**Урок простой:** если вам нужно не «узнать мнение», а расставить приоритеты, обычный опрос часто даёт шум. MaxDiff делает выбор жёстче — а значит, полезнее для решения.

— @QuantResearchRu

Antropic раскрыла ферму с нейронными дейтинг-моделями

Anthropic раскрыла кейс китайской студии, которая запустила 20 дейтинг-приложений с нейропрофилями для удержания пользователей. Вместо стандартного слива дейтинг-трафика на чужие смартлинки, вебмастерам стоит присмотреться к разработке собственных LLM-сервисов. Затраты на токены и подключение платежных решений окупаются за счет прямого контроля над монетизацией и забора всей маржи рекламодателя.

➡️ Читайте на сайте: https://aff.top/blog/antropic-raskryla-fermu-s-neironnymi-deiting-modeliami

🧠 Ещё больше инсайтов → в канале AFF.top

Разработчик игры слил $220 в Google ads на установки ботами

Статья описывает кейс разработчика, потерявшего бюджет в Google Ads из-за фрода и специфики атрибуции. Платформа засчитала конверсии, которые не подтвердились в Google Play Console, так как алгоритм учитывает установки без прямой связи с кликом. Главный вывод: Google Ads может наливать ботов не меньше пуш-сетей. При работе за инсталы важно жестко контролировать качество трафика и сверять аналитику с бэкендом, в то время как Facebook на данный мо…

➡️ Читайте на сайте: https://aff.top/blog/razrabotchik-igry-slil-220-v-google-ads-na-ustanovki-botami

🧠 Ещё больше инсайтов → в канале AFF.top

Google расширил Data Manager

Google интегрировал инструмент Data Manager в GA и DV360 для удобной передачи first-party данных, что дает рост ROAS до 26%. Для арбитража трафика прямого применения у офлайн-данных нет, однако инструмент можно использовать для манипуляции алгоритмами: отправка синтетических конверсий через API поможет скорректировать оптимизацию и направить автостратегии на поиск нужной аудитории.

➡️ Читайте на сайте: https://aff.top/blog/google-rasshiril-data-manager

🧠 Ещё больше инсайтов → в канале AFF.top

Когда опросы врут тихо

В 2026 я бы меньше спорил о том, «хороший» ли у нас опрос, и больше — о том, **какой вопрос он вообще способен поймать**. Если респондент уже выбирает между похожими предложениями, короткими циклами покупки и экономией на чеке, то прямой вопрос про «что вам важно» часто даёт вежливый шум, а не структуру выбора.

Поэтому мне ближе связка опроса с conjoint и MaxDiff: опрос отвечает за язык категории, а не за решение. Решение, как правило, рождается не в декларации, а в сравнении.

— @QuantResearchRuPro

Xchat удалён из App Store и Google play

Google Play и App Store удалили мессенджер XChat, продвигавшийся Илоном Маском как сервис с шифрованием без рекламы. Несмотря на трафик из X.com, приложение исключили из сторов. Причиной мог стать отказ от трекинга, что мешает монетизации и антифрод-системам площадок. Кейс доказывает: отсутствие рекламных инструментов делает софт уязвимым, а медийная поддержка не спасает продукт, если его политика нарушает правила маркетплейсов.

➡️ Читайте на сайте: https://aff.top/blog/xchat-udalen-iz-app-store-i-google-play

🧠 Ещё больше инсайтов → в канале AFF.top

В Facebook Ads Manager появилась метрика Creative Diversity

Meta представила метрику Creative Diversity для оценки разнообразия креативов. Алгоритм Generative Recommender анализирует стиль, тему, тип хука и формат объявлений. Простое изменение цвета или ракурса теперь не работает: система пессимизирует похожие подходы. Для эффективного залива арбитражникам придется тестировать принципиально разный контент, чтобы алгоритмы лучше находили аудиторию. Инструмент выйдет из беты до конца года.

➡️ Читайте на сайте: https://aff.top/blog/v-facebook-ads-manager-poiavilas-metrika-creative-diversity

🧠 Ещё больше инсайтов → в канале AFF.top