Когда lookalike перестаёт работать, а вы продолжаете его лить

Месяц назад разобрал три кейса подряд: у всех одинаковая картина — lookalike-сегмент по 1% покупателей стабильно деградирует третий месяц подряд. Стоимость привлечения растёт на 15-20%, при этом аудитория визуально «та же самая» в рекламном кабинете. Знакомо?

Проблема не в качестве самой похожей аудитории. Проблема в том, что источник для обучения модели перестал отражать ваших лучших клиентов. Вы продолжаете скормить алгоритму аудиторию покупателей, среди которых 70% — это разовые заказы по акции в три месяца назад. А ваша экономика сейчас держится на повторных покупках и тех, кто пришёл через блогеров полгода назад. Lookalike технически работает корректно — он ищет похожих на тех, кого вы ему дали. Просто «тех» уже не существует в вашей воронке в прежнем качестве.

Что мы делаем в таких случаях вместо бесконечной смены процентов LAL.

Первое — пересобираем сид (seed). Не просто «покупатели за 180 дней», а сегмент с фильтром по LTV, давности последней покупки и средней маржинальности. Платформа умеет загружать такие сегменты, вопрос в дисциплине аналитики до этого шага.

Второе — комбинируем с собственными данными. Если у вас есть качественная база email + поведение на сайте, делаем гибрид: выгружаем её в платформу как custom audience, строим похожих на неё, отдельно строим похожих на покупателей из CRM (система управления клиентскими отношениями), а затем в рекламной кампании миксуем креативы под каждый сегмент. Звучит банально, но в половине проектов этот шаг пропускают годами.

Третье — перестаём измерять эффективность lookalike в отрыве от верхней воронки. Privacy-first атрибуция (server-side — серверная передача данных, MMM — маркетинг-микс моделирование, incrementality — оценка прироста от рекламы) теснит last-click, и это хорошо: вы наконец-то видите, что LAL даёт не прямые последние клики, а прогретый спрос, который конвертируется через email и прямые заходы через 7-14 дней.

Четвёртое — тестируем lookalike от подписчиков и лидов, а не только от покупателей. Парадокс: в проектах с длинным циклом сделки сегмент «похожие на тех, кто смотрел 3 страницы кейсов и скачал гайд» стабильно дешевле в CAC (стоимость привлечения клиента) и качественнее по удержанию, чем классический LAL по покупкам.

Главный вывод, к которому мы пришли: lookalike — это не «волшебная кнопка масштабирования», а один из способов валидации того, насколько хорошо вы понимаете собственный продуктовый fit (соответствие продукта потребностям рынка). Если модель деградирует — проблема почти всегда в вашей обучающей выборке, а не в платформе.

Проверьте, что именно вы отдаёте алгоритму как образец своего идеального клиента. Часто ответ неприятный.

— @RetentionPaid

В Telegram Ads добавили Banner in Bot

В Telegram Ads появился формат Banner in Bot для показа рекламы внутри ботов с аудиторией от 1000 человек. Инструмент таргетируется не на площадки, а на пользователей — по интересам, номерам телефонов и подпискам. Пока доступны только текстовые креативы по ставкам Target Users. Новинка позволяет напрямую через стандартный кабинет охватывать целевую аудиторию прямо в их диалогах с ботами.

➡️ Читайте на сайте: https://aff.top/blog/v-telegram-ads-dobavili-banner-in-bot

🧠 Ещё больше инсайтов → в канале AFF.top

Anthropic готовит к запуску Claude Money

Anthropic анонсировала Claude Money — ИИ-сервис для управления личными финансами и автоматизации платежей. Инструмент позволяет подключать банковские карты для анализа расходов, планирования бюджета и проведения транзакций. Это переход от консультационных моделей к полноценным финансовым агентам. Внедрение технологии позволит пользователям делегировать нейросети рутинные задачи, включая оплату токенов и подписок на необходимые рабочие сервисы.

➡️ Читайте на сайте: https://aff.top/blog/anthropic-gotovit-k-zapusku-claude-money

🧠 Ещё больше инсайтов → в канале AFF.top

Meta ограничивает расходы на токены для сотрудников

Meta ввела внутренние лимиты на использование ИИ из-за резкого роста расходов: в 2026 году только на сотрудников заложены миллиарды долларов, а общий бюджет на ИИ-инфраструктуру оценивается в 130–145 млрд. Вывод простой: даже у Big Tech ИИ перестал быть бесплатной игрушкой и требует жёсткого контроля затрат.

➡️ Читайте на сайте: https://aff.top/blog/meta-ogranichivaet-raskhody-na-tokeny-dlia-sotrudnikov

🧠 Ещё больше инсайтов → в канале AFF.top

Ретаргетинг перестал быть «догонялкой» — он стал отдельной unit-экономикой

Я всё чаще вижу одну и ту же ошибку: ретаргетинг считают как дешевый источник конверсий, а не как инструмент управления маржой. В 2026-м это уже устаревший подход. Когда средний чек в e-com проседает, а last-click всё хуже отражает вклад канала, выигрывает тот, кто строит ретаргетинг как слой с разной экономикой по сегментам.

У меня рабочее правило простое: **не бывает одного ретаргетинга на все аудитории**. Есть минимум три разные задачи:
— добрать тех, кто был близко к покупке;
— вернуть тех, кто уже покупал, но ушёл в паузу;
— дожать тех, у кого высока вероятность повторного заказа, но низкий шанс на реактивацию без скидки.

И у каждого слоя — свой допустимый CPA, своя частота, свой креатив и свой оффер. Если этого не разделять, кампании быстро «съедают» выручку: доталкивают и так горячих, но не возвращают тех, кто реально влияет на LTV.

В одном проекте я видел показательный эффект: после разнесения ретаргетинга по трем сегментам и отсечения лишней частоты доля повторных покупок выросла заметнее, чем общий объём трафика. Без масштабного роста бюджета. Просто потому, что мы перестали платить за показ тем, кто и так купил бы, и начали платить за вероятность следующей покупки.

Мой вывод такой: в privacy-first среде ретаргетинг надо мерить не по CTR и даже не по «конверсиям в кабинете», а по инкрементальной выручке и влиянию на LTV. Иначе это не performance-канал, а дорогая привычка.

Если у вас ретаргетинг всё ещё сводится к одному пулу «все посетители за 30 дней», вы, скорее всего, недозарабатываете на самой понятной аудитории.

— @RetentionPaid

Claude Cowork, Claude Design объединили в один Claude

➡️ Читайте на сайте: https://aff.top/blog/claude-cowork-claude-design-obedinili-v-odin-claude

🧠 Ещё больше инсайтов → в канале AFF.top

Microsoft планирует вставлять рекламу в игры

➡️ Читайте на сайте: https://aff.top/blog/microsoft-planiruet-vstavliat-reklamu-v-igry

🧠 Ещё больше инсайтов → в канале AFF.top

Ретаргет у блогеров в 2026: как не переплатить за «тёплую» аудиторию

Рынок интеграций у блогеров до сих пор живёт без единой прайс-логики: цену назначает автор, а вы покупаете не охват, а шанс на конверсию внимания в деньги. Для ретаргета это особенно важно — дорогой пост не обязан давать дешёвый клик или высокий LTV.

— **Оценивайте блогера как источник сегмента, а не как медиа-носитель.**
Смотрите не на подписчиков, а на то, какую аудиторию вы потом сможете догнать ретаргетом: вовлечённые, досмотревшие видео, перешедшие по ссылке, сохранившие пост.

— **Считайте стоимость не размещения, а квалифицированного контакта.**
Если после интеграции можно собрать 1 000–5 000 пользователей в ретаргет-сегмент, сравнивайте цену с CPA повторной конверсии, а не с CPM в лоб.

— **Проверяйте, где теряется маржа.**
Высокий чек блогера часто съедает экономику на этапе догрева: креатив, посадка, окно атрибуции, частота касаний. Если цепочка не бьётся, «дорогой трафик» становится убыточным.

— **Ставьте измерение до сделки.**
Договоритесь о ссылках, UTM-метках, промокодах, пикселях, server-side событиях и раздельных сегментах. Без этого вы увидите красивый охват, но не поймёте вклад в выручку.

— **Тестируйте маленькими пакетами, а не ставкой на один крупный выход.**
В 2026 году, когда креативы легко генерируются массово, разница чаще в концепции и составе аудитории. Лучше проверить 3–5 авторов с разным CPM, чем купить один «премиальный» слот.

— **Сравнивайте блогера с альтернативой в paid social.**
Если у вас уже есть ретаргет по видео, CRM-база или lookalike, считайте, не дешевле ли усилить эти сегменты через привычные кабинеты вместо дорогой интеграции.

Когда это пригодится: когда нужно купить у блогера не «имидж», а управляемый поток тёплой аудитории в ретаргет и понять, сходится ли юнит-экономика.

— @RetentionPaid

**Как «Самокат» отбил 14% выручки за счёт реактивации «спящих» пользователей**

В середине 2024 года у «Самоката» классическая проблема фудтеха: средний чек просел на 6%, частота заказов у активной базы стагнировала, а стоимость привлечения нового клиента выросла на 18%. Маркетинговая команда публично делилась цифрами на конференциях — возьмём их за основу.

**Контекст**

Когорта пользователей, не заказывавших 45+ дней, составляла 41% всей базы. При этом их средняя историческая выручка была на 23% выше, чем у новичков. По сути, это самый ценный сегмент, который просто перестал заходить в приложение. Стандартные пуш-кампании с промокодами на 100–150 ₽ давали возврат 0,8x и быстро выжигали маржу.

**Задача**

Реактивировать «спящих» с юнит-экономикой лучше, чем 1,2x за первый месяц, без разгона cost per reaction (стоимости реактивации) выше 120 ₽.

**Решение**

Вместо массовой рассылки команда разбила «спящих» на три сегмента по причинах оттока (это выяснили через опрос внутри приложения с низкой стоимостью контакта):

— Сегмент A: ушёл из-за цены. Им отправляли не скидку, а кэшбэк-механики, привязанные к конкретным категориям.
— Сегмент B: ушёл из-за неудобного ассортимента (не нашли привычные продукты). Им делали персональные подборки на основе истории покупок.
— Сегмент C: ушёл по неопределённой причине. Им показывали lookalike-аудиторию (похожих пользователей) из текущих лояльных клиентов.

Каналы тоже развели: пуши для горячих по времени, имейл — для прогрева, а основную ставку сделали на in-app (внутри приложения) персонализированные карточки при следующем заходе. Отдельная гипотеза — отказ от универсальных баннеров в пользу связки «категория + время суток». Например, пользователю с историей заказов завтраков показывали не общую акцию, а конкретную позицию за 39 ₽ в 8 утра.

Креативы тестировали небольшими пачками по 4–6 вариантов, причём сначала проверяли концепцию (оффер и визуал), а уже потом отшлифовывали подачу. AI-генерация картинок использовалась для ускорения, но финальные варианты утверждал дизайнер.

**Результат**

За два месяца реактивированные пользователи дали 14% общей выручки. ROMI (возврат на маркетинговый рубль) по сегменту A — 2,1x, по сегменту B — 1,6x, по сегменту C — 1,3x. Средний cost per reaction (стоимость реактивации) — 87 ₽, что на 27% ниже изначального лимита. Важный побочный эффект: выросла частота повторных покупок в первый месяц после возврата — на 31% по сравнению с контрольной группой, которая получила стандартный промокод.

**Урок**

Главный вывод — реактивация работает не за счёт скидки, а за счёт диагностики причины ухода. Промокод на 150 ₽ без понимания мотива отвала возвращает лишь самых мотивированных, а остальных учит ждать «плюшек». Сегментация по причине оттока + канальное разделение + привязка оффера к поведению дают кратный рост эффективности.

Для performance-маркетолога это сигнал: в эпоху, когда привлечение дорожает, а атрибуция усложняется, реактивация становится не «третьей корзиной» после перфоманса и бренда, а основным драйвером устойчивой экономики. Особенно для подписных и高频 моделей (с повторяющимися покупками), где LTV (пожизненная ценность клиента) реально управляем через повторные касания.

Атрибуция в кейсе — комбинированная: MMM (маркетинг-микс-моделирование) на верхнем уровне плюс инкрементальность по сегментам, last-click (последнее кликовое касание) си

— @RetentionPaid

Смена парадигмы реактивации: от email-рассылок к предиктивному моделированию оттока

В 2026 году классическая реактивация «проснувшихся» через скидочные промокоды теряет эффективность на фоне снижения среднего чека. Когда бюджет на привлечение ограничен, а фокус RevOps (объединенного управления доходом) смещен на удержание, работа с базой требует перехода от реактивного метода к предиктивному. Задача — вернуть клиента до того, как он совершит покупку у конкурента.

Алгоритм настройки системы предиктивной реактивации:

— Разметка данных для обучения модели. Выгрузите историю транзакций за последние 18 месяцев. Разметьте сегмент «потерянных» не по календарному признаку (например, 90 дней без покупок), а по медианному циклу повторной покупки (inter-purchase time) для конкретной когорты.

— Расчет вероятности оттока. Используйте простую логистическую регрессию или готовые ML-модели для оценки вероятности (churn score) для каждого активного пользователя. Ключевые предикторы: изменение частоты посещений, снижение объема потребления контента или частоты взаимодействий с поисковыми подсказками AI-агентов.

— Настройка триггеров на основе накопленной ценности (Topical Authority). Перестаньте слать общие предложения. Если пользователь перестал активно взаимодействовать с разделом, где ранее демонстрировал экспертный интерес, настройте ретаргетинг на образовательный контент или обновления функционала. Сигналом к показу рекламы служит не отсутствие транзакции, а падение индекса активности ниже 30% от персональной нормы.

— Серверная атрибуция в условиях приватности. Поскольку last-click (последний клик) атрибуция в 2026 году дает искаженную картину, используйте MMM (моделирование маркетингового микса) для оценки влияния реактивационных кампаний на общий LTV (пожизненную ценность клиента).

— Дифференциация офферов. Вместо прямой скидки, которая размывает маржу, используйте «ценностные бонусы»: расширенный доступ, приоритетную поддержку или ранний доступ к новым функциям. В эпоху экономии потребитель чувствителен к персональному вниманию, а не только к цене.

**Главный показатель успеха здесь — не CTR (кликабельность) объявления, а снижение темпа роста оттока в когорте, подвергнутой воздействию.** Если стоимость удержания (retention cost) ниже стоимости привлечения (CAC) нового пользователя на 20-30%, значит, модель работает оптимально. Протестируйте этот цикл на 5% «уходящей» базы до конца недели, чтобы откалибровать чувствительность модели.

— @RetentionPaid

На Anthropic, OpenAI, Google и SpaceXAI подали в суд из-за ИИ

В Калифорнии против ИИ-компаний подали антимонопольный иск: регулятору показалось подозрительным, что игроки синхронно призывают ограничить развитие нейросетей ради безопасности. Смысл спора в том, что инвестиции в ИИ уже обгоняют реальный прогресс, а бизнесу выгодны правила, которые защитят капитал. Вывод: быстрых прорывов ждать не стоит, лучше выжимать максимум из текущих инструментов.

➡️ Читайте на сайте: https://aff.top/blog/na-anthropic-openai-google-i-spacexai-podali-v-sud-iz-za-ii

🧠 Ещё больше инсайтов → в канале AFF.top

Google ads начал показывать расходы конкурентов

Google Ads запустил Peer Spending — инструмент, который сравнивает расходы аккаунта с рекламодателями из той же ниши без раскрытия чужих данных. Он показывает, тратите вы больше, меньше или примерно на уровне конкурентов на уровне кампаний и групп объявлений. Для арбитража это скорее ориентир по бенчмаркам, чем инструмент прямого усиления залива.

➡️ Читайте на сайте: https://aff.top/blog/google-ads-nachal-pokazyvat-raskhody-konkurentov

🧠 Ещё больше инсайтов → в канале AFF.top

Минфин РФ планирует выпустить собственный стейблкоин

Власти РФ обсуждают запуск рублёвого стейблкоина: сейчас решают, как его обеспечить, какие операции разрешить и будет ли на него спрос. Основной кейс — международные переводы, а не использование физлицами. Если проект доведут до запуска, он может стать частью новой криптоинфраструктуры и альтернативой токенам, привязанным к дружественным валютам.

➡️ Читайте на сайте: https://aff.top/blog/minfin-rf-planiruet-vypustit-sobstvennyi-steiblkoin

🧠 Ещё больше инсайтов → в канале AFF.top

Сегмент реактивации дорожает быстрее сегмента новых пользователей

В последних отчётах по ряду клиентов из e-com заметил устойчивую картину: CAC (стоимость привлечения) в сегменте реактивации растёт быстрее, чем в сегменте новых пользователей. Причём не на процент — на десятки процентов за полгода.

Что вижу в структуре:
— Платформы сжимают окна ретаргетинга (retargeting) под давлением privacy-регулирования
— Lookalike-аудитории из базы лояльных клиентов дешевеют в логике, но выходят дороже в закупке — конкуренция за тех же людей
— Реактивированный пользователь конвертируется в 1,3–1,8 раза лучше нового, но CAC нивелирует выгоду, если LTV (пожизненная ценность клиента) удерживается на прошлогоднем уровне

При среднем чеке ниже на 5–8% юнит-экономика реактивации перестаёт быть очевидно выгодной. Маркетолог либо пересчитывает окно реактивации с 90 на 60 дней, либо уходит в прогрев через email/мессенджеры, где стоимость контакта другая.

А у вас реактивация в платном трафике ещё окупается по старым моделям или уже требует отдельной экономики?

— @RetentionPaid

В публичный доступ вышел Grok 4.7

➡️ Читайте на сайте: https://aff.top/blog/v-publichnyi-dostup-vyshel-grok-4-7

🧠 Ещё больше инсайтов → в канале AFF.top

X теперь показывает причину теневого бана

➡️ Читайте на сайте: https://aff.top/blog/x-teper-pokazyvaet-prichinu-tenevogo-bana

🧠 Ещё больше инсайтов → в канале AFF.top