Как дообучение меняет «поведение» модели и почему это важно для AdTech
В исследовании на Qwen2.5-3B-Instruct сравнили два подхода к дообучению и посмотрели не только на качество ответа, но и на то, как меняется внутренняя архитектура модели. Для этого авторы ввели метрику differential circuit vulnerability — она показывает, какие attention-head и связанные с ними цепочки сильнее всего деградируют после адаптации.
Вывод получился практичный: supervised fine-tuning быстрее подгоняет модель под новую задачу, но заметнее ломает уже существующие механизмы. Проще говоря, она начинает лучше отвечать на узкий набор запросов, но ценой большего забывания прежнего поведения. Reinforcement learning, наоборот, медленнее перестраивает ответы, зато лучше сохраняет исходную «базовую схему».
Для рынка programmatic и AdTech это хороший метафорический тест на устойчивость системы. Когда вы меняете логику bid optimization, rules engine, классификацию инвентаря или слой измерения, важно не только добиться локального улучшения, но и не разрушить уже работающие контуры: атрибуцию, pacing, частотный контроль, brand safety-сигналы и согласованность отчётности.
То же относится и к AI-системам в медиабаинге. Если модель используется для генерации, классификации или поддержки закупки, тип адаптации влияет на предсказуемость результата. Слишком агрессивная подстройка может дать краткосрочный выигрыш, но ухудшить стабильность на длинной дистанции — а в закупке это обычно дороже, чем кажется.
Именно поэтому при оценке AI-решений в рекламном стеке стоит смотреть не только на метрики качества, но и на то, как решение ведёт себя после дообучения: сохраняет ли базовую логику, не расползаются ли ответы, не деградируют ли соседние сценарии.
Исследование, кстати, опубликовано с кодом — и оно хорошо напоминает: в AdTech побеждает не самая «умная» модель, а та, которая умеет меняться без потери устойчивости.
В исследовании на Qwen2.5-3B-Instruct сравнили два подхода к дообучению и посмотрели не только на качество ответа, но и на то, как меняется внутренняя архитектура модели. Для этого авторы ввели метрику differential circuit vulnerability — она показывает, какие attention-head и связанные с ними цепочки сильнее всего деградируют после адаптации.
Вывод получился практичный: supervised fine-tuning быстрее подгоняет модель под новую задачу, но заметнее ломает уже существующие механизмы. Проще говоря, она начинает лучше отвечать на узкий набор запросов, но ценой большего забывания прежнего поведения. Reinforcement learning, наоборот, медленнее перестраивает ответы, зато лучше сохраняет исходную «базовую схему».
Для рынка programmatic и AdTech это хороший метафорический тест на устойчивость системы. Когда вы меняете логику bid optimization, rules engine, классификацию инвентаря или слой измерения, важно не только добиться локального улучшения, но и не разрушить уже работающие контуры: атрибуцию, pacing, частотный контроль, brand safety-сигналы и согласованность отчётности.
То же относится и к AI-системам в медиабаинге. Если модель используется для генерации, классификации или поддержки закупки, тип адаптации влияет на предсказуемость результата. Слишком агрессивная подстройка может дать краткосрочный выигрыш, но ухудшить стабильность на длинной дистанции — а в закупке это обычно дороже, чем кажется.
Именно поэтому при оценке AI-решений в рекламном стеке стоит смотреть не только на метрики качества, но и на то, как решение ведёт себя после дообучения: сохраняет ли базовую логику, не расползаются ли ответы, не деградируют ли соседние сценарии.
Исследование, кстати, опубликовано с кодом — и оно хорошо напоминает: в AdTech побеждает не самая «умная» модель, а та, которая умеет меняться без потери устойчивости.
Supply Path Optimization в малых GEO: уроки почтовой модели
Когда экономика классического банковского отделения в сельском районе перестаёт сходиться, банки ищут альтернативу. На Intersect by Diebold Nixdorf в Каннах прозвучало: post offices становятся тем самым каналом, который позволяет сохранить физическое присутствие без неподъёмного cost-to-serve. Почтовая сеть берёт на себя платёжную инженерию, выдачу наличных, консультации — и делает это дешевле, чем собственный филиал банка.
Для adtech-рынка это прямая иллюстрация supply path optimization на практике. В программатик мы часто оказываемся в похожей ловушке: пытаемся доставить инвентарь до аудитории в малом GEO через премиальные SSP или открытый auction, не замечая, что экономика каждой сделки уходит в минус. Плата за вход, комиссии биддера, cost-per-mile доставки креатива — всё это складывается в cost-to-serve, который для аудитории с низкой LTV становится фатальным.
Аналог «почтового отделения» в digital — это direct deal с локальным издателем, private marketplace с региональным inventory или даже owned & operated каналы, которые не проходят через цепочку посредников. Они не дают премиум-окружения и не блещут viewability, но их price per mille — на уровне выживаемости кампании в регионе.
Банки переложили часть операционной нагрузки на почту, сохранив контроль над продуктом. В adtech то же самое: мы можем отдать «розничную» дистрибуцию рекламы в более дешёвые сети (long-tail publisher, programmatic direct с fixed CPM), а премиум-инвентарь оставить для high-margin кампаний. Вопрос не «нужен ли офлайн» — вопрос, какой слой доступа выдерживает маржинальность.
Модель, которую банки только начали копировать, в программатик уже работает — но далеко не все её грамотно нарезают. Присмотритесь к supply chain для малых гео: если cost-to-serve съедает больше 30% бюджета, пора искать свой «почтовый канал».
Когда экономика классического банковского отделения в сельском районе перестаёт сходиться, банки ищут альтернативу. На Intersect by Diebold Nixdorf в Каннах прозвучало: post offices становятся тем самым каналом, который позволяет сохранить физическое присутствие без неподъёмного cost-to-serve. Почтовая сеть берёт на себя платёжную инженерию, выдачу наличных, консультации — и делает это дешевле, чем собственный филиал банка.
Для adtech-рынка это прямая иллюстрация supply path optimization на практике. В программатик мы часто оказываемся в похожей ловушке: пытаемся доставить инвентарь до аудитории в малом GEO через премиальные SSP или открытый auction, не замечая, что экономика каждой сделки уходит в минус. Плата за вход, комиссии биддера, cost-per-mile доставки креатива — всё это складывается в cost-to-serve, который для аудитории с низкой LTV становится фатальным.
Аналог «почтового отделения» в digital — это direct deal с локальным издателем, private marketplace с региональным inventory или даже owned & operated каналы, которые не проходят через цепочку посредников. Они не дают премиум-окружения и не блещут viewability, но их price per mille — на уровне выживаемости кампании в регионе.
Банки переложили часть операционной нагрузки на почту, сохранив контроль над продуктом. В adtech то же самое: мы можем отдать «розничную» дистрибуцию рекламы в более дешёвые сети (long-tail publisher, programmatic direct с fixed CPM), а премиум-инвентарь оставить для high-margin кампаний. Вопрос не «нужен ли офлайн» — вопрос, какой слой доступа выдерживает маржинальность.
Модель, которую банки только начали копировать, в программатик уже работает — но далеко не все её грамотно нарезают. Присмотритесь к supply chain для малых гео: если cost-to-serve съедает больше 30% бюджета, пора искать свой «почтовый канал».
Airflow 3 в продакшене: как строят orchestration с AI
Airflow 3 отмечает почти год с момента релиза, и за это время проект получил широкое распространение — десятки тысяч организаций используют его для автоматизации рабочих процессов. Для команд, которые занимаются performance-маркетингом и медиа-байингом, интерес представляет не сам движок, а то, как поверх него строят слой умной оркестрации.
В частности, важно понимать, где и как можно подключать «человеческий контроль» (human-in-the-loop) и какие задачи реально делегировать автоматическим агентам на базе AI — от проверки креативов до ежедневной отчетности. Анализируя DAG’и в продакшене, а не на демо, можно увидеть типичные точки отказа: триггеры, таски или уровни подтверждения.
Примерно такие вопросы обсуждаются на AMA от Astronomer, компании, которая сопровождает коммерческую версию Airflow. Для практикующих команд это шанс сравнить подходы к автоматизации: где агенты помогают без вмешательства человека, а где необходим контроль.
Если у вас уже есть workflow на Airflow, стоит взглянуть на опыт коллег и оценить, какие шаги вашей оркестрации можно улучшить с AI, а где автономность пока ограничена. В этом и ценность таких сессий: конкретные решения и узкие места, а не общие презентации возможностей.
Продолжительность и частота обновлений Airflow, а также масштабы внедрения, показывают, что грамотная интеграция AI в существующие DAG’и становится одним из ключевых трендов для тех, кто строит автоматизацию маркетинга и медиа-байинга.
Airflow 3 отмечает почти год с момента релиза, и за это время проект получил широкое распространение — десятки тысяч организаций используют его для автоматизации рабочих процессов. Для команд, которые занимаются performance-маркетингом и медиа-байингом, интерес представляет не сам движок, а то, как поверх него строят слой умной оркестрации.
В частности, важно понимать, где и как можно подключать «человеческий контроль» (human-in-the-loop) и какие задачи реально делегировать автоматическим агентам на базе AI — от проверки креативов до ежедневной отчетности. Анализируя DAG’и в продакшене, а не на демо, можно увидеть типичные точки отказа: триггеры, таски или уровни подтверждения.
Примерно такие вопросы обсуждаются на AMA от Astronomer, компании, которая сопровождает коммерческую версию Airflow. Для практикующих команд это шанс сравнить подходы к автоматизации: где агенты помогают без вмешательства человека, а где необходим контроль.
Если у вас уже есть workflow на Airflow, стоит взглянуть на опыт коллег и оценить, какие шаги вашей оркестрации можно улучшить с AI, а где автономность пока ограничена. В этом и ценность таких сессий: конкретные решения и узкие места, а не общие презентации возможностей.
Продолжительность и частота обновлений Airflow, а также масштабы внедрения, показывают, что грамотная интеграция AI в существующие DAG’и становится одним из ключевых трендов для тех, кто строит автоматизацию маркетинга и медиа-байинга.
Позиционные кодировки и контекст: почему один подход не работает везде
Исследование на модели CBraMod для обработки EEG-сигналов выявило важный принцип, актуальный далеко за пределами нейротехнологий. Учёные сравнили пять типов positional encoding и обнаружили, что эффективность одного и того же технического решения сильно зависит от задачи. Например, Spherical Positional Encoding хорошо справляется с классификацией двигательных образов, но слабо работает в распознавании эмоций. В то же время Asymmetric Conditional Positional Encoding демонстрирует более сбалансированную производительность.
Для adtech-экосистемы это метафора масштабом: универсальных решений не существует. То, что работает в одном сегменте — например, в таргетинге по поведению — может провалиться в другом, скажем, в контекстной или интент-ориентированной выдаче. Особенно это касается AI-компонентов в programmatic-цепочках: от ранжирования до генерации креативов. Вывод для практиков — нельзя полагаться на усреднённые метрики. Необходимо тестировать стратегии по типам запросов, интентам и сценариям потребления. Только так можно избежать ситуации, когда система стабильна в целом, но теряет эффективность в ключевых сегментах. Это подчёркивает важность модульного подхода к настройке алгоритмов: гибкость и контекстная адаптация становятся критическими факторами.
Для соседнего контекста загляни в @FraudQualitySignalsDeep
Исследование на модели CBraMod для обработки EEG-сигналов выявило важный принцип, актуальный далеко за пределами нейротехнологий. Учёные сравнили пять типов positional encoding и обнаружили, что эффективность одного и того же технического решения сильно зависит от задачи. Например, Spherical Positional Encoding хорошо справляется с классификацией двигательных образов, но слабо работает в распознавании эмоций. В то же время Asymmetric Conditional Positional Encoding демонстрирует более сбалансированную производительность.
Для adtech-экосистемы это метафора масштабом: универсальных решений не существует. То, что работает в одном сегменте — например, в таргетинге по поведению — может провалиться в другом, скажем, в контекстной или интент-ориентированной выдаче. Особенно это касается AI-компонентов в programmatic-цепочках: от ранжирования до генерации креативов. Вывод для практиков — нельзя полагаться на усреднённые метрики. Необходимо тестировать стратегии по типам запросов, интентам и сценариям потребления. Только так можно избежать ситуации, когда система стабильна в целом, но теряет эффективность в ключевых сегментах. Это подчёркивает важность модульного подхода к настройке алгоритмов: гибкость и контекстная адаптация становятся критическими факторами.
Для соседнего контекста загляни в @FraudQualitySignalsDeep
RL vs SFT: как методы дообучения влияют на стабильность AI-выдачи
Новое исследование на модели Qwen2.5-3B-Instruct сравнило reinforcement learning (RL) и supervised fine-tuning (SFT) для научного Q&A. Введена метрика differential circuit vulnerability — она показывает, насколько схема модели деградирует после дообучения. Результаты: SFT быстрее подгоняет модель под целевую задачу, но при этом сильнее разрушает исходные нейронные цепи и ведёт к большему забыванию. RL сохраняет большую часть базовой схемы, но адаптируется медленнее. Для мира AI Search и ChatGPT Search это важный сигнал. Модели, обученные агрессивным SFT, могут быстрее менять ответы под новые запросы, но их ответы больше отклоняются от базовой логики. Для контент-маркетологов и медиабайеров это означает, что стабильность AI-выдачи для их контента может зависеть от того, каким методом была дообучена модель поисковика. Если в AI Overviews используются модели с RL, выдача будет более консервативной и предсказуемой. Если преобладает SFT — возможны резкие сдвиги. Код проекта открыт на GitHub. Маркетологам стоит учитывать эту динамику при построении стратегии контента под AI-поиск: нужно закладываться на разные сценарии поведения моделей.
Связанная тема раскрывается в @ForgeCpaMarketNotes
Новое исследование на модели Qwen2.5-3B-Instruct сравнило reinforcement learning (RL) и supervised fine-tuning (SFT) для научного Q&A. Введена метрика differential circuit vulnerability — она показывает, насколько схема модели деградирует после дообучения. Результаты: SFT быстрее подгоняет модель под целевую задачу, но при этом сильнее разрушает исходные нейронные цепи и ведёт к большему забыванию. RL сохраняет большую часть базовой схемы, но адаптируется медленнее. Для мира AI Search и ChatGPT Search это важный сигнал. Модели, обученные агрессивным SFT, могут быстрее менять ответы под новые запросы, но их ответы больше отклоняются от базовой логики. Для контент-маркетологов и медиабайеров это означает, что стабильность AI-выдачи для их контента может зависеть от того, каким методом была дообучена модель поисковика. Если в AI Overviews используются модели с RL, выдача будет более консервативной и предсказуемой. Если преобладает SFT — возможны резкие сдвиги. Код проекта открыт на GitHub. Маркетологам стоит учитывать эту динамику при построении стратегии контента под AI-поиск: нужно закладываться на разные сценарии поведения моделей.
Связанная тема раскрывается в @ForgeCpaMarketNotes
SFT vs RL в дообучении LLM: скорость против стабильности
Исследование на модели Qwen2.5-3B-Instruct показало, что выбор метода дообучения напрямую влияет на устойчивость архитектуры. При работе с scientific QA выявился чёткий компромисс: supervised fine-tuning (SFT) быстрее адаптирует модель под новую задачу, но сильнее разрушает существующие когнитивные цепочки. Reinforcement learning (RL), напротив, сохраняет больше базовой логики, но требует больше времени и данных.
Авторы ввели метрику differential circuit vulnerability — оценку на уровне attention heads, которая показывает, насколько fine-tuning повреждает исходные механизмы рассуждений. Это важно для систем, где критична согласованность: например, в AI Overviews или ChatGPT Search, где пользователь ожидает стабильного поведения модели.
Для продуктов, использующих дообученные LLM в выдаче, это означает необходимость двойного контроля. Оценка должна идти не только по качеству ответов на целевом датасете, но и по сохранности базовых паттернов — например, способности к логическому выводу вне новой тематики. Игнорирование этого может привести к эффекту «переобученного узкого специалиста», который хорошо отвечает на узкие вопросы, но теряется в смежных.
Код исследования опубликован на GitHub, что даёт возможность протестировать подход на своих задачах. Для adtech-команд, работающих с кастомными моделями, это методологический ориентир: баланс между адаптацией и целостностью нужно измерять, а не угадывать.
Исследование на модели Qwen2.5-3B-Instruct показало, что выбор метода дообучения напрямую влияет на устойчивость архитектуры. При работе с scientific QA выявился чёткий компромисс: supervised fine-tuning (SFT) быстрее адаптирует модель под новую задачу, но сильнее разрушает существующие когнитивные цепочки. Reinforcement learning (RL), напротив, сохраняет больше базовой логики, но требует больше времени и данных.
Авторы ввели метрику differential circuit vulnerability — оценку на уровне attention heads, которая показывает, насколько fine-tuning повреждает исходные механизмы рассуждений. Это важно для систем, где критична согласованность: например, в AI Overviews или ChatGPT Search, где пользователь ожидает стабильного поведения модели.
Для продуктов, использующих дообученные LLM в выдаче, это означает необходимость двойного контроля. Оценка должна идти не только по качеству ответов на целевом датасете, но и по сохранности базовых паттернов — например, способности к логическому выводу вне новой тематики. Игнорирование этого может привести к эффекту «переобученного узкого специалиста», который хорошо отвечает на узкие вопросы, но теряется в смежных.
Код исследования опубликован на GitHub, что даёт возможность протестировать подход на своих задачах. Для adtech-команд, работающих с кастомными моделями, это методологический ориентир: баланс между адаптацией и целостностью нужно измерять, а не угадывать.
Регуляторные барьеры в travel-нише: как сбор данных влияет на воронку продаж
Дискуссии вокруг ужесточения правил въезда в США для участников Visa Waiver Program — это не просто политическая повестка, а серьезный вызов для performance-маркетинга. Требование раскрывать историю соцсетей при въезде в страну создает существенное трение на пути пользователя (user friction), что неизбежно отражается на конверсии в travel и смежных вертикалях.
Когда мы анализируем подобные рыночные риски, важно учитывать их влияние на психологию потребителя. Любое усложнение процедуры сбора данных на этапе оформления заявки или бронирования увеличивает процент отказов (drop-off rate). Кейс с падением посещаемости Лас-Вегаса служит наглядным примером того, как административные барьеры могут влиять на рыночные показатели в масштабе целых индустрий.
Для маркетологов, работающих с глобальными рынками, это сигнал к пересмотру consent-логики и структуры воронок. Если ваша аудитория сталкивается с дополнительными барьерами при прохождении пути, стандартные подходы к оптимизации конверсии перестают работать. Необходим более тонкий подход к коммуникации и сбору данных, чтобы минимизировать стресс пользователя. В текущих реалиях доверие к бренду и прозрачность в вопросах обработки персональных данных становятся не просто юридическим требованием, а инструментом удержания аудитории в условиях растущего регуляторного давления.
По этой же логике полезен @IgamingMarketWatchResearch4
Дискуссии вокруг ужесточения правил въезда в США для участников Visa Waiver Program — это не просто политическая повестка, а серьезный вызов для performance-маркетинга. Требование раскрывать историю соцсетей при въезде в страну создает существенное трение на пути пользователя (user friction), что неизбежно отражается на конверсии в travel и смежных вертикалях.
Когда мы анализируем подобные рыночные риски, важно учитывать их влияние на психологию потребителя. Любое усложнение процедуры сбора данных на этапе оформления заявки или бронирования увеличивает процент отказов (drop-off rate). Кейс с падением посещаемости Лас-Вегаса служит наглядным примером того, как административные барьеры могут влиять на рыночные показатели в масштабе целых индустрий.
Для маркетологов, работающих с глобальными рынками, это сигнал к пересмотру consent-логики и структуры воронок. Если ваша аудитория сталкивается с дополнительными барьерами при прохождении пути, стандартные подходы к оптимизации конверсии перестают работать. Необходим более тонкий подход к коммуникации и сбору данных, чтобы минимизировать стресс пользователя. В текущих реалиях доверие к бренду и прозрачность в вопросах обработки персональных данных становятся не просто юридическим требованием, а инструментом удержания аудитории в условиях растущего регуляторного давления.
По этой же логике полезен @IgamingMarketWatchResearch4
Почему серверная атрибуция чаще ломается на правах доступа, чем на интеграциях
Когда в компании возникают проблемы с качеством атрибуции в Meta, первое подозрение обычно падает на пиксель, серверные события или настройки трекера. Однако на практике значительная часть ошибок появляется гораздо раньше — на уровне структуры активов и управления доступами.
Типичная ситуация выглядит знакомо многим командам. Пиксель установлен, события передаются через серверную интеграцию, данные поступают в систему аналитики, но отчёты показывают неполную картину. Конверсии учитываются не полностью, дедупликация работает нестабильно, а показатели качества совпадения данных не соответствуют ожиданиям.
Причина часто кроется в организационном слое инфраструктуры. Неверно связанные источники данных, отсутствующие разрешения для рекламных кабинетов, путаница между партнёрскими и внутренними доступами способны создать больше проблем, чем ошибки в коде. В результате разные компоненты экосистемы формально существуют, но фактически работают изолированно друг от друга.
Для руководителей маркетинга это важный управленческий вывод. Развитие серверной атрибуции требует не только технической экспертизы, но и контроля над архитектурой аккаунтов. Чем больше агентств, подрядчиков, брендов и бизнес-юнитов участвуют в работе, тем выше вероятность накопления скрытых проблем с правами доступа.
Поэтому аудит инфраструктуры стоит проводить не только на уровне передачи событий. Не менее важно регулярно проверять связи между источниками данных, рекламными активами и ролями пользователей. Во многих случаях именно такая ревизия позволяет устранить расхождения в отчётности быстрее, чем очередная доработка трекера или серверного шлюза.
Когда в компании возникают проблемы с качеством атрибуции в Meta, первое подозрение обычно падает на пиксель, серверные события или настройки трекера. Однако на практике значительная часть ошибок появляется гораздо раньше — на уровне структуры активов и управления доступами.
Типичная ситуация выглядит знакомо многим командам. Пиксель установлен, события передаются через серверную интеграцию, данные поступают в систему аналитики, но отчёты показывают неполную картину. Конверсии учитываются не полностью, дедупликация работает нестабильно, а показатели качества совпадения данных не соответствуют ожиданиям.
Причина часто кроется в организационном слое инфраструктуры. Неверно связанные источники данных, отсутствующие разрешения для рекламных кабинетов, путаница между партнёрскими и внутренними доступами способны создать больше проблем, чем ошибки в коде. В результате разные компоненты экосистемы формально существуют, но фактически работают изолированно друг от друга.
Для руководителей маркетинга это важный управленческий вывод. Развитие серверной атрибуции требует не только технической экспертизы, но и контроля над архитектурой аккаунтов. Чем больше агентств, подрядчиков, брендов и бизнес-юнитов участвуют в работе, тем выше вероятность накопления скрытых проблем с правами доступа.
Поэтому аудит инфраструктуры стоит проводить не только на уровне передачи событий. Не менее важно регулярно проверять связи между источниками данных, рекламными активами и ролями пользователей. Во многих случаях именно такая ревизия позволяет устранить расхождения в отчётности быстрее, чем очередная доработка трекера или серверного шлюза.
Единичные сигналы не равны тренду: чему учит кейс с рекламой в Discover
На рекламном рынке регулярно возникают ситуации, когда один необычный показ быстро превращается в масштабную теорию о переменах в отрасли. Именно поэтому специалистам по programmatic важно разделять наблюдаемый факт и выводы, которые из него пытаются сделать.
Недавнее появление рекламы продукта Яндекса в ленте Discover привлекло внимание именно по этой причине. Само размещение заслуживает фиксации как рыночное событие: оно показывает, что русскоязычная аудитория продолжает присутствовать в различных зарубежных цифровых экосистемах и может контактировать с рекламой за пределами привычного локального инвентаря.
Однако на этом этапе количество подтверждённых данных ограничено. Один или несколько зафиксированных показов не позволяют судить о масштабах кампании, доступности канала для широкого круга рекламодателей или изменении долгосрочной стратегии участников рынка.
Для маркетинг-директоров здесь интереснее другое наблюдение. Фрагментация пользовательского пути становится всё заметнее. Аудитория может одновременно использовать локальные сервисы, международные платформы и различные инструменты доступа к контенту. В результате традиционные представления о том, где именно находится пользователь и через какие интерфейсы он потребляет информацию, становятся менее надёжными.
С точки зрения измерений и медиапланирования это очередное напоминание о необходимости работать с подтверждёнными данными, а не с предположениями. Отдельный сигнал может быть любопытным индикатором, но превращать его в доказательство масштабного тренда преждевременно.
В programmatic именно способность отделять наблюдение от интерпретации остаётся одним из ключевых навыков аналитика.
Похожий разбор есть в @VectorSweepstakesDatingMarkets
На рекламном рынке регулярно возникают ситуации, когда один необычный показ быстро превращается в масштабную теорию о переменах в отрасли. Именно поэтому специалистам по programmatic важно разделять наблюдаемый факт и выводы, которые из него пытаются сделать.
Недавнее появление рекламы продукта Яндекса в ленте Discover привлекло внимание именно по этой причине. Само размещение заслуживает фиксации как рыночное событие: оно показывает, что русскоязычная аудитория продолжает присутствовать в различных зарубежных цифровых экосистемах и может контактировать с рекламой за пределами привычного локального инвентаря.
Однако на этом этапе количество подтверждённых данных ограничено. Один или несколько зафиксированных показов не позволяют судить о масштабах кампании, доступности канала для широкого круга рекламодателей или изменении долгосрочной стратегии участников рынка.
Для маркетинг-директоров здесь интереснее другое наблюдение. Фрагментация пользовательского пути становится всё заметнее. Аудитория может одновременно использовать локальные сервисы, международные платформы и различные инструменты доступа к контенту. В результате традиционные представления о том, где именно находится пользователь и через какие интерфейсы он потребляет информацию, становятся менее надёжными.
С точки зрения измерений и медиапланирования это очередное напоминание о необходимости работать с подтверждёнными данными, а не с предположениями. Отдельный сигнал может быть любопытным индикатором, но превращать его в доказательство масштабного тренда преждевременно.
В programmatic именно способность отделять наблюдение от интерпретации остаётся одним из ключевых навыков аналитика.
Похожий разбор есть в @VectorSweepstakesDatingMarkets
Языковые модели и накопление контекста
Недавнее исследование показало: современные языковые модели не ведут пошаговое состояние по мере обработки текста. Вместо этого они собирают нужный контекст к моменту последнего токена запроса. Особое внимание уделено операции REMOVE, которая реализуется через хрупкий глобальный тег, вызывающий типовые сбои. Для AI Search и SEO это важный сигнал: длинные цепочки инструкций и уточнения фактов могут работать иначе, чем ожидается, если модель не «держит» информацию последовательно. Для работы с контентом и промптами это значит: структурированные ответы, явные сущности и короткие логические связи дают более надёжный результат, чем попытки растянуть логику на длинный текст.
Недавнее исследование показало: современные языковые модели не ведут пошаговое состояние по мере обработки текста. Вместо этого они собирают нужный контекст к моменту последнего токена запроса. Особое внимание уделено операции REMOVE, которая реализуется через хрупкий глобальный тег, вызывающий типовые сбои. Для AI Search и SEO это важный сигнал: длинные цепочки инструкций и уточнения фактов могут работать иначе, чем ожидается, если модель не «держит» информацию последовательно. Для работы с контентом и промптами это значит: структурированные ответы, явные сущности и короткие логические связи дают более надёжный результат, чем попытки растянуть логику на длинный текст.
Как LLM учатся ценностям и что это значит для programmatic-контента
Исследование с 5 миллионами вопросов показало: современные языковые модели всё точнее имитируют структуру человеческих ценностей и поведенческих паттернов. Авторы сравнили ценностные оси у LLM и людей и зафиксировали сильное согласие между ними. Отдельно отмечено, что учёт распределений человеческих ценностей улучшает популяционные симуляции на базе моделей.
Для programmatic-рекламы и AI Search это принципиальный сдвиг. Если раньше контент оптимизировали под семантику ключей, то теперь в приоритете формулировки, сценарии и поведенческие маркеры, которые совпадают с логикой человеческого выбора. Модели не просто находят совпадения слов — они ранжируют по смыслу и ценностной близости.
Вывод для стратегий контента: смотреть не только на ключи, но и на то, как текст выглядит в контексте решений пользователя. Для supply path это означает, что AI-источники будут отдавать предпочтение материалам, построенным вокруг намерений и ценностей, а не просто релевантных терминов. Это меняет подход к созданию контента под programmatic-закупки и органическую выдачу в AI-среде.
Исследование с 5 миллионами вопросов показало: современные языковые модели всё точнее имитируют структуру человеческих ценностей и поведенческих паттернов. Авторы сравнили ценностные оси у LLM и людей и зафиксировали сильное согласие между ними. Отдельно отмечено, что учёт распределений человеческих ценностей улучшает популяционные симуляции на базе моделей.
Для programmatic-рекламы и AI Search это принципиальный сдвиг. Если раньше контент оптимизировали под семантику ключей, то теперь в приоритете формулировки, сценарии и поведенческие маркеры, которые совпадают с логикой человеческого выбора. Модели не просто находят совпадения слов — они ранжируют по смыслу и ценностной близости.
Вывод для стратегий контента: смотреть не только на ключи, но и на то, как текст выглядит в контексте решений пользователя. Для supply path это означает, что AI-источники будут отдавать предпочтение материалам, построенным вокруг намерений и ценностей, а не просто релевантных терминов. Это меняет подход к созданию контента под programmatic-закупки и органическую выдачу в AI-среде.
Почему узкие бенчмарки полезнее общих оценок
CrystalXRD-Bench интересен не столько самой кристаллографией, сколько форматом проверки. Авторы собрали 250 примеров из 10 публичных баз и попросили модели восстановить полный набор HKL, отвечающий за самый сильный пик в XRD-паттерне. То есть задача заведомо структурная: рядом есть изображение, текстовое описание и химическая формула, а оценка идёт по тому, насколько модель действительно связывает эти слои.
В тесте участвовали семь vision-language-моделей. Лучшая — GPT-5.4 с Jaccard 0.5888 и exact-match 37.6%. Остальные в основном остались ниже 0.50 по Jaccard. Это типичная картина для узких бенчмарков: общая уверенность модели ещё не означает, что она стабильно читает сложный визуальный сигнал. Она может хорошо отвечать в «среднем», но начинать ошибаться на форматах, где нужна не генерация текста, а точное сопоставление структур.
Для программатика и measurement это полезная аналогия. Визуальные и структурные данные в отчётности, креативах и аналитике стоит тестировать отдельно от общего качества модели. Иначе легко переоценить систему по усреднённой метрике и недооценить ошибки именно в тех случаях, где бизнес-решение принимается по одному изображению или одной таблице.
CrystalXRD-Bench интересен не столько самой кристаллографией, сколько форматом проверки. Авторы собрали 250 примеров из 10 публичных баз и попросили модели восстановить полный набор HKL, отвечающий за самый сильный пик в XRD-паттерне. То есть задача заведомо структурная: рядом есть изображение, текстовое описание и химическая формула, а оценка идёт по тому, насколько модель действительно связывает эти слои.
В тесте участвовали семь vision-language-моделей. Лучшая — GPT-5.4 с Jaccard 0.5888 и exact-match 37.6%. Остальные в основном остались ниже 0.50 по Jaccard. Это типичная картина для узких бенчмарков: общая уверенность модели ещё не означает, что она стабильно читает сложный визуальный сигнал. Она может хорошо отвечать в «среднем», но начинать ошибаться на форматах, где нужна не генерация текста, а точное сопоставление структур.
Для программатика и measurement это полезная аналогия. Визуальные и структурные данные в отчётности, креативах и аналитике стоит тестировать отдельно от общего качества модели. Иначе легко переоценить систему по усреднённой метрике и недооценить ошибки именно в тех случаях, где бизнес-решение принимается по одному изображению или одной таблице.
Гигиена доступа: зачем переходить на read-only в Ad Manager API
Google Ad Manager наконец-то внедрил полноценный read-only OAuth scope, что стало важным шагом для безопасности в AdTech-интеграциях. Теперь для аналитических инструментов, BI-систем и дашбордов можно запрашивать доступ, исключающий возможность внесения правок в кампании или настройки аккаунта. Это решение закрывает давнюю проблему, когда интеграции, требующие лишь получения статистики, по ошибке получали права на запись.
Важный нюанс для тех, кто работает с легаси-системами: эта опция актуальна только для актуального Ad Manager API. Старый SOAP API по-прежнему требует «полного доступа» (full-access scope), что создает лишние риски безопасности. Использование прав с избытком — это классическая уязвимость, которую часто игнорируют до первого инцидента с непреднамеренным изменением настроек. Для команд, масштабирующих аналитические решения, переход на read-only доступ должен стать обязательным стандартом. Это базовая гигиена, которая минимизирует человеческий фактор и предотвращает случайные сбои в работе рекламных кампаний, особенно если доступ к данным имеют внешние подрядчики или автоматизированные системы.
Связанная тема раскрывается в @VerticalWatchSignal
Google Ad Manager наконец-то внедрил полноценный read-only OAuth scope, что стало важным шагом для безопасности в AdTech-интеграциях. Теперь для аналитических инструментов, BI-систем и дашбордов можно запрашивать доступ, исключающий возможность внесения правок в кампании или настройки аккаунта. Это решение закрывает давнюю проблему, когда интеграции, требующие лишь получения статистики, по ошибке получали права на запись.
Важный нюанс для тех, кто работает с легаси-системами: эта опция актуальна только для актуального Ad Manager API. Старый SOAP API по-прежнему требует «полного доступа» (full-access scope), что создает лишние риски безопасности. Использование прав с избытком — это классическая уязвимость, которую часто игнорируют до первого инцидента с непреднамеренным изменением настроек. Для команд, масштабирующих аналитические решения, переход на read-only доступ должен стать обязательным стандартом. Это базовая гигиена, которая минимизирует человеческий фактор и предотвращает случайные сбои в работе рекламных кампаний, особенно если доступ к данным имеют внешние подрядчики или автоматизированные системы.
Связанная тема раскрывается в @VerticalWatchSignal
Эволюция обучения моделей: RL vs SFT в контексте AdTech-решений
Вопрос выбора метода дообучения LLM перестал быть чисто академическим и перешел в плоскость прикладной инженерии. Сравнение Reinforcement Learning (RL) и Supervised Fine-Tuning (SFT) на примере модели Qwen2.5-3B-Instruct при выполнении научно-ориентированных задач дает важную пищу для размышлений специалистам, работающим с AI-генерацией контента и поисковыми движками.
Исследователи ввели метрику «дифференциальной уязвимости контуров» (differential circuit vulnerability), которая наглядно показывает, как меняется внутренняя архитектура модели при дообучении. Вывод однозначен: SFT демонстрирует высокую адаптивность к узким задачам, но ценой этого становится ускоренная деградация базовых навыков и размытие исходных паттернов. В то же время RL действует консервативнее, сохраняя стабильность базовых «контуров» модели, хотя и требует больше времени на адаптацию.
Для разработки AI-ориентированных продуктов, таких как AI Overviews или семантический поиск, этот баланс критичен. Если задача требует высокой предсказуемости и устойчивости ответов, RL выглядит предпочтительнее. SFT же несет риски «забывания» контекста, что может негативно сказаться на качестве ответов в смежных с обучением областях. Инженерам, внедряющим LLM в рекламные стеки, стоит учитывать: скорость специализации модели часто прямо пропорциональна риску потери ее базовой надежности.
По этой же логике полезен @IgamingMarketWatchBrief
Вопрос выбора метода дообучения LLM перестал быть чисто академическим и перешел в плоскость прикладной инженерии. Сравнение Reinforcement Learning (RL) и Supervised Fine-Tuning (SFT) на примере модели Qwen2.5-3B-Instruct при выполнении научно-ориентированных задач дает важную пищу для размышлений специалистам, работающим с AI-генерацией контента и поисковыми движками.
Исследователи ввели метрику «дифференциальной уязвимости контуров» (differential circuit vulnerability), которая наглядно показывает, как меняется внутренняя архитектура модели при дообучении. Вывод однозначен: SFT демонстрирует высокую адаптивность к узким задачам, но ценой этого становится ускоренная деградация базовых навыков и размытие исходных паттернов. В то же время RL действует консервативнее, сохраняя стабильность базовых «контуров» модели, хотя и требует больше времени на адаптацию.
Для разработки AI-ориентированных продуктов, таких как AI Overviews или семантический поиск, этот баланс критичен. Если задача требует высокой предсказуемости и устойчивости ответов, RL выглядит предпочтительнее. SFT же несет риски «забывания» контекста, что может негативно сказаться на качестве ответов в смежных с обучением областях. Инженерам, внедряющим LLM в рекламные стеки, стоит учитывать: скорость специализации модели часто прямо пропорциональна риску потери ее базовой надежности.
По этой же логике полезен @IgamingMarketWatchBrief
Тестирование LLM в условиях прогрессивного раскрытия: новый бенчмарк для AI Search
Когда мы говорим о качестве языковых моделей в поисковых сценариях, стандартные тесты на точность по одному запросу мало что дают. В реальной выдаче модель видит не полный текст, а фрагменты: заголовок, сниппет, контекст. Именно для этого полезен недавний бенчмарк ProjectionBench.
ProjectionBench оценивает GPT-5, GPT-5.4, Gemini 2.5 Pro и Gemini 3.1 Pro preview на 45 научных работах из областей биоактивных материалов, механических материалов и наноматериалов. Моделям даётся только тема и исследовательский вопрос, а технические детали раскрываются пошагово. Гипотезы сравниваются с выводами оригинальной статьи через семантическую схожесть атомарных утверждений.
Такой подход важен для AI Search и GEO (Generative Engine Optimization). Ответы нельзя оценивать лишь по принципу «похоже/не похоже». Progressive disclosure показывает, как модель удерживает гипотезу без полного контекста. Для контентных сценариев это ближе к реальной выдаче, где модель собирает сигнал из кусков.
Если вы тестируете RAG, суммаризацию или генерацию ответов под SERP, ProjectionBench даёт более реалистичную метрику, чем обычная точность по одному промпту. Рекомендуется учитывать такие бенчмарки при оценке выбранной модели для поисковых продуктов.
Для соседнего контекста загляни в @CpaMarketBrief
Когда мы говорим о качестве языковых моделей в поисковых сценариях, стандартные тесты на точность по одному запросу мало что дают. В реальной выдаче модель видит не полный текст, а фрагменты: заголовок, сниппет, контекст. Именно для этого полезен недавний бенчмарк ProjectionBench.
ProjectionBench оценивает GPT-5, GPT-5.4, Gemini 2.5 Pro и Gemini 3.1 Pro preview на 45 научных работах из областей биоактивных материалов, механических материалов и наноматериалов. Моделям даётся только тема и исследовательский вопрос, а технические детали раскрываются пошагово. Гипотезы сравниваются с выводами оригинальной статьи через семантическую схожесть атомарных утверждений.
Такой подход важен для AI Search и GEO (Generative Engine Optimization). Ответы нельзя оценивать лишь по принципу «похоже/не похоже». Progressive disclosure показывает, как модель удерживает гипотезу без полного контекста. Для контентных сценариев это ближе к реальной выдаче, где модель собирает сигнал из кусков.
Если вы тестируете RAG, суммаризацию или генерацию ответов под SERP, ProjectionBench даёт более реалистичную метрику, чем обычная точность по одному промпту. Рекомендуется учитывать такие бенчмарки при оценке выбранной модели для поисковых продуктов.
Для соседнего контекста загляни в @CpaMarketBrief
CrystalXRD-Bench: как модели учатся читать дифрактограммы
Опубликован бенчмарк CrystalXRD-Bench: 250 образцов из 10 кристаллографических баз с задачей восстановления набора HKL, дающих самый сильный пик на XRD-паттерне. Протестированы 7 vision-language моделей.
Лучший результат — Jaccard 0.5888 у GPT-5.4, exact-match 37.6%. Шесть моделей не дотянули до 0.50. Каждый пример включает рендер дифрактограммы, исходный CIF-файл и химическую формулу.
Для контентных стратегий в B2B-вертикалях это важный сигнал. Модели уже оценивают не просто текст, а комбинацию изображения, структуры и данных. Поверхностные объяснения становятся менее конкурентоспособными: AI-ассистенты и поиск предпочитают материалы, которые точно передают сложную предметную область. Выход — углублять контент с визуализациями и ссылками на исходные данные.
Опубликован бенчмарк CrystalXRD-Bench: 250 образцов из 10 кристаллографических баз с задачей восстановления набора HKL, дающих самый сильный пик на XRD-паттерне. Протестированы 7 vision-language моделей.
Лучший результат — Jaccard 0.5888 у GPT-5.4, exact-match 37.6%. Шесть моделей не дотянули до 0.50. Каждый пример включает рендер дифрактограммы, исходный CIF-файл и химическую формулу.
Для контентных стратегий в B2B-вертикалях это важный сигнал. Модели уже оценивают не просто текст, а комбинацию изображения, структуры и данных. Поверхностные объяснения становятся менее конкурентоспособными: AI-ассистенты и поиск предпочитают материалы, которые точно передают сложную предметную область. Выход — углублять контент с визуализациями и ссылками на исходные данные.
Почему уход руководителя Prebid важен для programmatic-рынка
Новость об уходе президента Prebid сама по себе не выглядит драматичной, но для рынка programmatic такие изменения редко бывают чисто кадровыми. Prebid — это инфраструктурный слой, через который проходят аукционные механики и часть header bidding-экосистемы. Поэтому любые перестановки внутри организации обычно отражаются не столько на заголовках, сколько на темпе развития продукта и предсказуемости обновлений.
Если смотреть на это глазами закупщика или маркетинг-директора, важен не сам факт ротации, а возможные последствия: кто будет задавать приоритеты, как быстро будут выходить релизы, не изменится ли логика работы с партнёрами и не появится ли временная пауза в согласованиях. Для тех, кто работает через цепочки вроде MGID, Taboola или Outbrain, такие сигналы особенно чувствительны, потому что стабильность supply path и повторяемость аукциона напрямую влияют на качество закупки.
В programmatic новости про команду часто читаются как новости про инфраструктуру. И именно инфраструктура обычно даёт рынку понять, будет ли следующий этап эволюции спокойным или затяжным.
Новость об уходе президента Prebid сама по себе не выглядит драматичной, но для рынка programmatic такие изменения редко бывают чисто кадровыми. Prebid — это инфраструктурный слой, через который проходят аукционные механики и часть header bidding-экосистемы. Поэтому любые перестановки внутри организации обычно отражаются не столько на заголовках, сколько на темпе развития продукта и предсказуемости обновлений.
Если смотреть на это глазами закупщика или маркетинг-директора, важен не сам факт ротации, а возможные последствия: кто будет задавать приоритеты, как быстро будут выходить релизы, не изменится ли логика работы с партнёрами и не появится ли временная пауза в согласованиях. Для тех, кто работает через цепочки вроде MGID, Taboola или Outbrain, такие сигналы особенно чувствительны, потому что стабильность supply path и повторяемость аукциона напрямую влияют на качество закупки.
В programmatic новости про команду часто читаются как новости про инфраструктуру. И именно инфраструктура обычно даёт рынку понять, будет ли следующий этап эволюции спокойным или затяжным.
Автоматизация в кабинетах меняет не только скорость, но и состав стека
На рынке снова обсуждают инструменты, которые обещают собрать управление сотнями кампаний в одном окне и убрать часть привычной инфраструктуры байера. Сам по себе тренд не новый: индустрия давно движется в сторону объединения запусков, автоматизации рутины и снижения ручной нагрузки. Но сейчас меняется масштаб ожиданий — от отдельной функции к почти полной замене операционного слоя.
Для команд это важнее, чем кажется. Если система действительно берёт на себя массовый запуск, планирование и базовую оптимизацию, меняется не только скорость тестов, но и структура команды. Меньше времени уходит на механическую работу, больше — на воронку, аналитику и принятие решений. Одновременно растёт зависимость от того, насколько прозрачны правила автоматизации и можно ли понять, почему система сделала именно такой выбор.
Есть и обратная сторона. Когда антидетект, прокси, трекинг и управление кампаниями сводятся в единый слой, байер теряет часть гибкости в сборке собственного стека. Удобство покупается ценой меньшего контроля. И дальше рынок будет сравнивать уже не только CPM и CTR, но и стоимость этого удобства: в деньгах, времени и управляемости процессов.
На рынке снова обсуждают инструменты, которые обещают собрать управление сотнями кампаний в одном окне и убрать часть привычной инфраструктуры байера. Сам по себе тренд не новый: индустрия давно движется в сторону объединения запусков, автоматизации рутины и снижения ручной нагрузки. Но сейчас меняется масштаб ожиданий — от отдельной функции к почти полной замене операционного слоя.
Для команд это важнее, чем кажется. Если система действительно берёт на себя массовый запуск, планирование и базовую оптимизацию, меняется не только скорость тестов, но и структура команды. Меньше времени уходит на механическую работу, больше — на воронку, аналитику и принятие решений. Одновременно растёт зависимость от того, насколько прозрачны правила автоматизации и можно ли понять, почему система сделала именно такой выбор.
Есть и обратная сторона. Когда антидетект, прокси, трекинг и управление кампаниями сводятся в единый слой, байер теряет часть гибкости в сборке собственного стека. Удобство покупается ценой меньшего контроля. И дальше рынок будет сравнивать уже не только CPM и CTR, но и стоимость этого удобства: в деньгах, времени и управляемости процессов.
Анализ рынка Латам: консолидация и модели роста в Q1 2026
Первый квартал 2026 года в Латинской Америке демонстрирует четкую дифференциацию стратегий развития операторского бизнеса. Регион, традиционно считающийся одним из самых перспективных для масштабирования, переходит от стадии экстенсивного захвата рынка к осознанной консолидации и укреплению позиций через M&A-сделки.
Бразилия задает тон через крупные слияния: покупка локальных игроков международными гигантами позволяет быстро наращивать активную базу пользователей, достигая многократного роста выручки. В то же время другие страны региона выбирают иные пути. Например, Перу демонстрирует высокую эффективность за счет глубокой интеграции брендов в повседневное потребление, а в Мексике наблюдается умеренный, но устойчивый рост операционных показателей. Колумбия же остается примером рынка с доминированием крупных B2B-платформ, что создает барьер для входа новых игроков, но обеспечивает стабильность экосистемы.
Для AdTech-специалистов и маркетинг-директоров эти данные служат индикатором того, что Латам перестает быть «единым рынком». Стратегии продвижения должны учитывать локальные особенности законодательства и предпочтения пользователей. M&A-активность в Бразилии указывает на то, что в ближайшее время рынок будет принадлежать игрокам с сильными финансовыми ресурсами и отлаженной инфраструктурой. Маркетологам стоит фокусироваться на партнерствах с крупными платформами, которые уже заняли доминирующие позиции, и учитывать риск-профили каждой конкретной страны при планировании бюджетов на вторую половину года.
Первый квартал 2026 года в Латинской Америке демонстрирует четкую дифференциацию стратегий развития операторского бизнеса. Регион, традиционно считающийся одним из самых перспективных для масштабирования, переходит от стадии экстенсивного захвата рынка к осознанной консолидации и укреплению позиций через M&A-сделки.
Бразилия задает тон через крупные слияния: покупка локальных игроков международными гигантами позволяет быстро наращивать активную базу пользователей, достигая многократного роста выручки. В то же время другие страны региона выбирают иные пути. Например, Перу демонстрирует высокую эффективность за счет глубокой интеграции брендов в повседневное потребление, а в Мексике наблюдается умеренный, но устойчивый рост операционных показателей. Колумбия же остается примером рынка с доминированием крупных B2B-платформ, что создает барьер для входа новых игроков, но обеспечивает стабильность экосистемы.
Для AdTech-специалистов и маркетинг-директоров эти данные служат индикатором того, что Латам перестает быть «единым рынком». Стратегии продвижения должны учитывать локальные особенности законодательства и предпочтения пользователей. M&A-активность в Бразилии указывает на то, что в ближайшее время рынок будет принадлежать игрокам с сильными финансовыми ресурсами и отлаженной инфраструктурой. Маркетологам стоит фокусироваться на партнерствах с крупными платформами, которые уже заняли доминирующие позиции, и учитывать риск-профили каждой конкретной страны при планировании бюджетов на вторую половину года.
Инкрементальная ценность конверсий: почему CPA не главное
В performance-маркетинге растет популярность офлайн-конверсий. Google Ads и Microsoft Ads позволяют загружать данные о реальных продажах. Но практика показывает: рост MQL и SQL не гарантирует рост лидов. На примере B2B-кампании за две недели количество MQL выросло, а лиды остались на месте. При увеличении spend на 50% средний CPA почти не изменился, но marginal CPA оказался на 25% выше. Причина — добавление новых primary conversion actions, которые "раздули" общее число конверсий. Для programmatic-закупок это знакомый паттерн: оптимизация по ванильным метрикам (CPA, ROAS) часто ведет к субоптимальным результатам. Решение — использовать инкрементальное тестирование (holdout groups) и тщательно выбирать, какие события считать primary. Особенно это важно при передаче offline conversion data: не все лиды одинаково ценны. Value-based bidding может помочь, если правильно настроить ценности. Иначе система будет гоняться за дешёвыми, но пустыми конверсиями. Вывод: не доверяйте одному счетчику, смотрите на инкрементальный прирост.
В performance-маркетинге растет популярность офлайн-конверсий. Google Ads и Microsoft Ads позволяют загружать данные о реальных продажах. Но практика показывает: рост MQL и SQL не гарантирует рост лидов. На примере B2B-кампании за две недели количество MQL выросло, а лиды остались на месте. При увеличении spend на 50% средний CPA почти не изменился, но marginal CPA оказался на 25% выше. Причина — добавление новых primary conversion actions, которые "раздули" общее число конверсий. Для programmatic-закупок это знакомый паттерн: оптимизация по ванильным метрикам (CPA, ROAS) часто ведет к субоптимальным результатам. Решение — использовать инкрементальное тестирование (holdout groups) и тщательно выбирать, какие события считать primary. Особенно это важно при передаче offline conversion data: не все лиды одинаково ценны. Value-based bidding может помочь, если правильно настроить ценности. Иначе система будет гоняться за дешёвыми, но пустыми конверсиями. Вывод: не доверяйте одному счетчику, смотрите на инкрементальный прирост.