В Microsoft Clarity видно не «красивую аналитику», а поведенческие ошибки лендинга.
Что есть в инструменте:
— Карты кликов: где пользователи реально кликают, а какие элементы игнорируют.
— Тепловые карты: до какой глубины скроллят и на каких блоках массово отваливаются.
— Записи сессий: полный путь отдельного посетителя по странице.
— Встроенный A/B-тест: быстрая проверка гипотез внутри Clarity.
Важно: сами по себе карты кликов и записи сессий не доказывают рост CR. Это источник гипотез. Например: если пользователи массово не доходят до формы — тестируем перенос формы выше или изменение структуры блока. Но вывод делаем только после A/B-теста, а не после просмотра 5 записей.
Для арбитражного лендинга Clarity полезен как первый слой диагностики: найти фрикцию, сформулировать гипотезу, затем проверить на трафике.
Отдельный плюс: Microsoft Clarity — бесплатный инструмент.
Источник: https://t.me/makemoneyteam_blog/1906
Что есть в инструменте:
— Карты кликов: где пользователи реально кликают, а какие элементы игнорируют.
— Тепловые карты: до какой глубины скроллят и на каких блоках массово отваливаются.
— Записи сессий: полный путь отдельного посетителя по странице.
— Встроенный A/B-тест: быстрая проверка гипотез внутри Clarity.
Важно: сами по себе карты кликов и записи сессий не доказывают рост CR. Это источник гипотез. Например: если пользователи массово не доходят до формы — тестируем перенос формы выше или изменение структуры блока. Но вывод делаем только после A/B-теста, а не после просмотра 5 записей.
Для арбитражного лендинга Clarity полезен как первый слой диагностики: найти фрикцию, сформулировать гипотезу, затем проверить на трафике.
Отдельный плюс: Microsoft Clarity — бесплатный инструмент.
Источник: https://t.me/makemoneyteam_blog/1906
Telegram
MakeMoney Team | Арбитраж трафика
ЗАЧЕМ АРБИТРАЖНИКУ MICROSOFT CLARITY? 🤔
Сегодня разберём ещё один убойный бесплатный инструмент — Microsoft Clarity .
По сути, это настоящий шпион за поведением юзера на преленде и ленде. Собираешь данные и сразу видишь, где аудитория «залипает», а где…
Сегодня разберём ещё один убойный бесплатный инструмент — Microsoft Clarity .
По сути, это настоящий шпион за поведением юзера на преленде и ленде. Собираешь данные и сразу видишь, где аудитория «залипает», а где…
Анти-миф про «AI сам оптимизирует кампанию»
Luke King, founder of affLIFT, в интервью CPV Lab описал более приземлённый сценарий: AI не заменяет метрику принятия решения, а ускоряет подготовку вариантов и мониторинг.
Что зафиксировано:
— Главная метрика для масштабирования кампании — ROI. Цитата: “ROI is number one.”
— Если кампания не идёт direct link, его персональный AI-ассистент по умолчанию делает 3–5 вариаций лендинга.
— Для push-трафика стартовый набор обычно: 3–5 креативов с разными комбинациями image, title и description.
— Отдельный AI-ассистент на Claude мониторит кампании, создаёт whitelists и отслеживает sentiment на форумах, пока Luke не за рабочим столом.
Вывод для CRO: AI здесь не «угадывает победителя», а помогает быстрее запустить матрицу вариантов. Дальше решение всё равно упирается в экономику кампании: ROI как верхнеуровневый фильтр, а не субъективное «лендинг выглядит лучше».
Для лендингов это нормальная дисциплина: не один вариант и надежда, а 3–5 гипотез на старте. Но без данных по CR, EPC, ROI и значимости это ещё не оптимизация, а только подготовка к тесту.
Источник: https://cpvlab.pro/blog/champions-of-performance-marketing/affiliate-campaign-optimization/
Luke King, founder of affLIFT, в интервью CPV Lab описал более приземлённый сценарий: AI не заменяет метрику принятия решения, а ускоряет подготовку вариантов и мониторинг.
Что зафиксировано:
— Главная метрика для масштабирования кампании — ROI. Цитата: “ROI is number one.”
— Если кампания не идёт direct link, его персональный AI-ассистент по умолчанию делает 3–5 вариаций лендинга.
— Для push-трафика стартовый набор обычно: 3–5 креативов с разными комбинациями image, title и description.
— Отдельный AI-ассистент на Claude мониторит кампании, создаёт whitelists и отслеживает sentiment на форумах, пока Luke не за рабочим столом.
Вывод для CRO: AI здесь не «угадывает победителя», а помогает быстрее запустить матрицу вариантов. Дальше решение всё равно упирается в экономику кампании: ROI как верхнеуровневый фильтр, а не субъективное «лендинг выглядит лучше».
Для лендингов это нормальная дисциплина: не один вариант и надежда, а 3–5 гипотез на старте. Но без данных по CR, EPC, ROI и значимости это ещё не оптимизация, а только подготовка к тесту.
Источник: https://cpvlab.pro/blog/champions-of-performance-marketing/affiliate-campaign-optimization/
CPV Tracker Blog
Luke King on Affiliate Campaign Optimization, and What It Really Takes to Start: Part 2
Luke King on affiliate tracking, affiliate campaign optimization, 30% ROI thresholds, and the AI assistant managing his campaigns 24/7
Можно ли предсказать победителя A/B-теста по макетам?
GoodUI проанализировал 70 149 предположений пользователей GuessTheTest.com и сопоставил их с фактическими исходами A/B-тестов.
Результат:
— Люди правильно угадывали победивший вариант примерно в 59% случаев.
— Разброс точности по отдельным тестам: примерно от 13% до 94%.
— В другом наборе данных — около 700 предположений из класса Ronny Kohavi — средняя точность составила примерно 48%.
Дополнительный срез: в 51 эксперименте, на которые влияли паттерны GoodUI, положительный исход получили в 71% случаев. Сам автор отмечает, что доказательная сила этого анализа слабее.
Вывод: визуальная оценка варианта может быть немного лучше случайного выбора на одном массиве данных, но не заменяет эксперимент. На другом наборе угадывание оказалось около уровня случайности, а точность между отдельными тестами сильно колебалась.
Гипотеза начинается с паттерна или мнения. Решение о внедрении — только после фактического результата A/B-теста.
Источник: https://goodui.org/blog/beyond-opinions-about-opinions-real-a-b-test-prediction-rates-from-70-000-guesses
GoodUI проанализировал 70 149 предположений пользователей GuessTheTest.com и сопоставил их с фактическими исходами A/B-тестов.
Результат:
— Люди правильно угадывали победивший вариант примерно в 59% случаев.
— Разброс точности по отдельным тестам: примерно от 13% до 94%.
— В другом наборе данных — около 700 предположений из класса Ronny Kohavi — средняя точность составила примерно 48%.
Дополнительный срез: в 51 эксперименте, на которые влияли паттерны GoodUI, положительный исход получили в 71% случаев. Сам автор отмечает, что доказательная сила этого анализа слабее.
Вывод: визуальная оценка варианта может быть немного лучше случайного выбора на одном массиве данных, но не заменяет эксперимент. На другом наборе угадывание оказалось около уровня случайности, а точность между отдельными тестами сильно колебалась.
Гипотеза начинается с паттерна или мнения. Решение о внедрении — только после фактического результата A/B-теста.
Источник: https://goodui.org/blog/beyond-opinions-about-opinions-real-a-b-test-prediction-rates-from-70-000-guesses
GoodUI
Beyond Opinions About Opinions: What 70,149 Guesses Tell Us About Predicting A/B Tests | GoodUI
Progression metrics в A/B-тестах: можно ли смотреть на add-to-cart вместо продаж
GoodUI разобрал несколько выборок по корреляции промежуточных метрик с финальными sales/orders.
Что нашли:
— Michael St Laurent из Conversion в 2023 анализировал около 200 A/B-тестов: add-to-cart коррелировал с orders
— Корреляция по всем экспериментам без фильтра по значимости: 35%
— Если брать только тесты, значимые по orders: до 66%
Дальше GoodUI расширил проверку:
1. Checkout visits vs sales
533 эксперимента:
R = 0.6085
p-value близко к 0
2. Более широкий набор progression metrics
119 A/B-тестов:
R = 0.5085
статистическая значимость выше
3. Adds-to-cart + sales в одном тесте
44 эксперимента:
R = 0.4983
статистически значимо
Вывод: промежуточные метрики не равны деньгам, но игнорировать их тоже нельзя. Корреляция средняя: достаточно, чтобы использовать add-to-cart / checkout visits как ранний сигнал, но недостаточно, чтобы останавливать тест и объявлять победителя без sales/orders.
Практически: progression metrics полезны для диагностики воронки и приоритизации гипотез. Финальное решение — по бизнес-метрике, особенно если эффект небольшой.
Источник: https://goodui.org/blog/do-adds-to-cart-or-progression-metrics-correlate-with-sales-in-a-b-tests
GoodUI разобрал несколько выборок по корреляции промежуточных метрик с финальными sales/orders.
Что нашли:
— Michael St Laurent из Conversion в 2023 анализировал около 200 A/B-тестов: add-to-cart коррелировал с orders
— Корреляция по всем экспериментам без фильтра по значимости: 35%
— Если брать только тесты, значимые по orders: до 66%
Дальше GoodUI расширил проверку:
1. Checkout visits vs sales
533 эксперимента:
R = 0.6085
p-value близко к 0
2. Более широкий набор progression metrics
119 A/B-тестов:
R = 0.5085
статистическая значимость выше
3. Adds-to-cart + sales в одном тесте
44 эксперимента:
R = 0.4983
статистически значимо
Вывод: промежуточные метрики не равны деньгам, но игнорировать их тоже нельзя. Корреляция средняя: достаточно, чтобы использовать add-to-cart / checkout visits как ранний сигнал, но недостаточно, чтобы останавливать тест и объявлять победителя без sales/orders.
Практически: progression metrics полезны для диагностики воронки и приоритизации гипотез. Финальное решение — по бизнес-метрике, особенно если эффект небольшой.
Источник: https://goodui.org/blog/do-adds-to-cart-or-progression-metrics-correlate-with-sales-in-a-b-tests
GoodUI
Do Adds-To-Cart Or Progression Metrics Correlate With Sales In A/B Tests? | GoodUI
GoodUI собрал 40+ LinkedIn-опросов по дизайну экспериментов за 2 года. Это не замена A/B-тестам и не академическая выборка, но полезный срез мнений людей из in-house experimentation команд, платформ и агентств.
Самый практичный блок — про unequal allocation: когда трафик делят не 50/50 между контролем и вариацией.
Важно: это не «бесплатный способ ускорить тест». Ron Kohavi отдельно предупреждал автора про tradeoffs и challenges такого подхода и указал на section 7 в paper “A/B Testing Intuition Busters”.
Также Valerii Babushkin и Craig Sexauer направили автора к статье, где разбирается unequal allocation control/variation в экспериментах.
Вывод для лендингов и арбитража:
если тестируете оффер на дорогом трафике, соблазн дать меньше пользователей в рискованную вариацию понятен. Но решение надо считать, а не выбирать интуитивно: неравное распределение может снизить риск, но усложняет интерпретацию и дизайн эксперимента.
Хорошая тема для отдельного разбора: когда 50/50 остаётся оптимальным, а когда allocation можно двигать.
Источник: https://goodui.org/blog/40-linkedin-poll-results-on-experimentation
Самый практичный блок — про unequal allocation: когда трафик делят не 50/50 между контролем и вариацией.
Важно: это не «бесплатный способ ускорить тест». Ron Kohavi отдельно предупреждал автора про tradeoffs и challenges такого подхода и указал на section 7 в paper “A/B Testing Intuition Busters”.
Также Valerii Babushkin и Craig Sexauer направили автора к статье, где разбирается unequal allocation control/variation в экспериментах.
Вывод для лендингов и арбитража:
если тестируете оффер на дорогом трафике, соблазн дать меньше пользователей в рискованную вариацию понятен. Но решение надо считать, а не выбирать интуитивно: неравное распределение может снизить риск, но усложняет интерпретацию и дизайн эксперимента.
Хорошая тема для отдельного разбора: когда 50/50 остаётся оптимальным, а когда allocation можно двигать.
Источник: https://goodui.org/blog/40-linkedin-poll-results-on-experimentation
GoodUI
40 LinkedIn Poll Results On Experimentation | GoodUI
GoodUI проверил, насколько CRO-специалисты угадывают эффект A/B-тестов.
Дизайн исследования:
— более 100 профессионалов
— 1 391 прогноз
— 13 уже завершённых A/B-тестов
— в датасете 10 из 13 реальных эффектов были положительными
Главное:
— типичный прогноз промахивался по реальному эффекту на 2.7 п.п. median absolute error
— 56% всех прогнозов были завышением эффекта
— те, кто видел похожие эксперименты раньше, ошибались меньше: median error 2.5 п.п. против 3.2 п.п.
Вывод не про «интуиция не нужна». Скорее так: даже у людей, знакомых с похожими тестами, оценка эффекта остаётся шумной. Опыт снижает ошибку, но не заменяет измерение.
Практический вывод для лендингов: если гипотеза ожидает небольшой lift, руками «на глаз» его почти невозможно надёжно отличить от шума. Нужен тест, достаточный N и заранее выбранный критерий остановки.
Источник: https://goodui.org/blog/experiment-estimation-study
Дизайн исследования:
— более 100 профессионалов
— 1 391 прогноз
— 13 уже завершённых A/B-тестов
— в датасете 10 из 13 реальных эффектов были положительными
Главное:
— типичный прогноз промахивался по реальному эффекту на 2.7 п.п. median absolute error
— 56% всех прогнозов были завышением эффекта
— те, кто видел похожие эксперименты раньше, ошибались меньше: median error 2.5 п.п. против 3.2 п.п.
Вывод не про «интуиция не нужна». Скорее так: даже у людей, знакомых с похожими тестами, оценка эффекта остаётся шумной. Опыт снижает ошибку, но не заменяет измерение.
Практический вывод для лендингов: если гипотеза ожидает небольшой lift, руками «на глаз» его почти невозможно надёжно отличить от шума. Нужен тест, достаточный N и заранее выбранный критерий остановки.
Источник: https://goodui.org/blog/experiment-estimation-study
GoodUI
Experiment Estimation Study: How Well Can 1,391 Guesses Predict A/B Test Effects? | GoodUI
В Microsoft Clarity site search можно ловить двумя путями. Важно: это не отчёт «про конверсию», а слой поведения перед гипотезами.
Что есть в статье:
— Auto Events
Clarity автоматически отслеживает часть click-interactions, включая site search activity, и показывает их в Smart Events. Настройка не нужна.
— Page Visit Smart Event
Если поиск ведёт на страницу результатов, можно вручную создать Smart Event на посещение этой страницы в UI Clarity.
Ограничение:
Page Visit Smart Events не ретроактивны. Данные собираются только с момента создания события. Прошлые поисковые сессии не подтянутся.
После сохранения:
Clarity начинает записывать каждую пользовательскую сессию, где была посещена страница результатов поиска, как Smart Event.
Практический вывод:
если используете поиск как сигнал намерения, Smart Event нужно ставить до запуска теста лендинга/категории. Иначе в recordings и сегментах будет дырка: пользователи уже искали, но события в Clarity ещё не существовало.
Это полезно для проверки гипотез уровня:
пользователи ищут товар/оффер, который не видят в первом экране; поиск ведёт к фрикции; результаты поиска становятся отдельным сегментом для анализа записей.
Источник: https://dumbdata.co/post/how-to-measure-site-search-in-microsoft-clarity-and-how-to-use-the-data
Что есть в статье:
— Auto Events
Clarity автоматически отслеживает часть click-interactions, включая site search activity, и показывает их в Smart Events. Настройка не нужна.
— Page Visit Smart Event
Если поиск ведёт на страницу результатов, можно вручную создать Smart Event на посещение этой страницы в UI Clarity.
Ограничение:
Page Visit Smart Events не ретроактивны. Данные собираются только с момента создания события. Прошлые поисковые сессии не подтянутся.
После сохранения:
Clarity начинает записывать каждую пользовательскую сессию, где была посещена страница результатов поиска, как Smart Event.
Практический вывод:
если используете поиск как сигнал намерения, Smart Event нужно ставить до запуска теста лендинга/категории. Иначе в recordings и сегментах будет дырка: пользователи уже искали, но события в Clarity ещё не существовало.
Это полезно для проверки гипотез уровня:
пользователи ищут товар/оффер, который не видят в первом экране; поиск ведёт к фрикции; результаты поиска становятся отдельным сегментом для анализа записей.
Источник: https://dumbdata.co/post/how-to-measure-site-search-in-microsoft-clarity-and-how-to-use-the-data
DumbData
Tracking Site Search with Microsoft Clarity + How To Use The Data
If you’re already tracking internal site search action in Google Analytics or Piwik Pro and want to set up similar tracking in your Microsoft Clarity project, this article is for you. Not only will we walk through how to track site searches in Microsoft Clarity…
Вопрос по heatmap в GA4: где карта кликов?
Коротко: нигде. По данным Crazy Egg, у Google Analytics нет и никогда не было встроенной функции heatmap.
Что часто путают:
— В старом Google Analytics был отчет In-Page Analytics
— Потом Google вынес эту функциональность в отдельное Chrome-расширение Page Analytics
— В начале 2017 Google прекратил поддержку In-Page Analytics
— Расширение перестали обновлять вскоре после этого
— Последнее обновление Page Analytics в Chrome Web Store было в 2019
— С GA4 расширение никогда не было совместимо
Вывод для CRO: GA4 не заменяет heatmap-инструмент. Он дает событийную аналитику, но не показывает нормальную визуальную картину кликов, скролла и взаимодействий на странице.
Если нужен поведенческий слой для лендинга, придется подключать отдельный инструмент: Crazy Egg в статье перечисляет 5 типов карт — click maps, confetti maps, scroll maps, overlay maps и list maps.
Практический смысл: GA4 отвечает на «что произошло» в цифрах. Heatmap-инструменты помогают увидеть «где именно на странице это произошло» и найти гипотезы для A/B-теста.
Источник: https://www.crazyegg.com/blog/google-analytics-heat-map
Коротко: нигде. По данным Crazy Egg, у Google Analytics нет и никогда не было встроенной функции heatmap.
Что часто путают:
— В старом Google Analytics был отчет In-Page Analytics
— Потом Google вынес эту функциональность в отдельное Chrome-расширение Page Analytics
— В начале 2017 Google прекратил поддержку In-Page Analytics
— Расширение перестали обновлять вскоре после этого
— Последнее обновление Page Analytics в Chrome Web Store было в 2019
— С GA4 расширение никогда не было совместимо
Вывод для CRO: GA4 не заменяет heatmap-инструмент. Он дает событийную аналитику, но не показывает нормальную визуальную картину кликов, скролла и взаимодействий на странице.
Если нужен поведенческий слой для лендинга, придется подключать отдельный инструмент: Crazy Egg в статье перечисляет 5 типов карт — click maps, confetti maps, scroll maps, overlay maps и list maps.
Практический смысл: GA4 отвечает на «что произошло» в цифрах. Heatmap-инструменты помогают увидеть «где именно на странице это произошло» и найти гипотезы для A/B-теста.
Источник: https://www.crazyegg.com/blog/google-analytics-heat-map
The Daily Egg
Google Analytics Heatmap: What Happened to It and What to Use Instead
Google Analytics doesn’t have a heatmap feature. It never had. Google used to have a Chrome extension that allowed you to create a simple click...
PostHog vs Google Analytics: не «что лучше», а под какую задачу
Из разбора Crazy Egg:
PostHog — отдельная платформа продуктовой аналитики. Сильная сторона: события внутри продукта/приложения. Autocapture может автоматически трекать pageviews, клики и другие взаимодействия на сайте или в app без ручной настройки.
Google Analytics, особенно при доступе через Crazy Egg, больше про аналитику трафика сайта. То есть источник/поведение посетителей, а не глубокая продуктовая телеметрия.
Практический вывод для CRO:
Если задача — понять, откуда приходит трафик и как он ведёт себя на лендинге, GA4 через Crazy Egg закрывает базовый слой. После настройки аккаунта Crazy Egg можно интегрировать с GA4 и автоматически импортировать до 1 года исторических данных.
Если задача — разбирать действия пользователей внутри продукта, строить продуктовую аналитику и не настраивать каждое событие вручную, PostHog ближе к задаче.
Важно: это не замена A/B-тесту. Аналитика показывает паттерны и точки трения, но не доказывает uplift. Для вывода «изменение дало рост CR» всё ещё нужен тест с размером выборки и значимостью.
Источник: https://www.crazyegg.com/blog/posthog-vs-google-analytics
Из разбора Crazy Egg:
PostHog — отдельная платформа продуктовой аналитики. Сильная сторона: события внутри продукта/приложения. Autocapture может автоматически трекать pageviews, клики и другие взаимодействия на сайте или в app без ручной настройки.
Google Analytics, особенно при доступе через Crazy Egg, больше про аналитику трафика сайта. То есть источник/поведение посетителей, а не глубокая продуктовая телеметрия.
Практический вывод для CRO:
Если задача — понять, откуда приходит трафик и как он ведёт себя на лендинге, GA4 через Crazy Egg закрывает базовый слой. После настройки аккаунта Crazy Egg можно интегрировать с GA4 и автоматически импортировать до 1 года исторических данных.
Если задача — разбирать действия пользователей внутри продукта, строить продуктовую аналитику и не настраивать каждое событие вручную, PostHog ближе к задаче.
Важно: это не замена A/B-тесту. Аналитика показывает паттерны и точки трения, но не доказывает uplift. Для вывода «изменение дало рост CR» всё ещё нужен тест с размером выборки и значимостью.
Источник: https://www.crazyegg.com/blog/posthog-vs-google-analytics
The Daily Egg
PostHog vs. Google Analytics: Each Tool’s True Strengths
PostHog and Google Analytics both help you understand the ways people use your website, SaaS tool, or mobile app. PostHog is a dedicated product analytics...
Сравнение GA-альтернатив: что можно взять без бюджета
Crazy Egg опубликовал подборку альтернатив Google Analytics. Из проверяемых цифр в материале:
— Crazy Egg: стартовая цена $0
— Plausible: стартовая цена $9/мес
— PostHog: стартовая цена $0
Отдельно по Crazy Egg: free forever plan включает web analytics, conversion tracking, surveys и instant heatmaps.
Что важно для CRO-команд: связка аналитика + конверсии + опросы + тепловые карты в одном бесплатном плане закрывает базовый цикл диагностики лендинга. Не только “сколько было визитов”, а где пользователи кликают, что мешает конверсии и какие события доходят до цели.
Но по одной цене инструмент выбирать нельзя. Для A/B-тестов и лендингов нужно отдельно проверять: лимиты, сэмплирование, экспорт, хранение данных, приватность и интеграции с рекламными источниками.
Дата публикации материала: 23 марта 2026.
Crazy Egg опубликовал подборку альтернатив Google Analytics. Из проверяемых цифр в материале:
— Crazy Egg: стартовая цена $0
— Plausible: стартовая цена $9/мес
— PostHog: стартовая цена $0
Отдельно по Crazy Egg: free forever plan включает web analytics, conversion tracking, surveys и instant heatmaps.
Что важно для CRO-команд: связка аналитика + конверсии + опросы + тепловые карты в одном бесплатном плане закрывает базовый цикл диагностики лендинга. Не только “сколько было визитов”, а где пользователи кликают, что мешает конверсии и какие события доходят до цели.
Но по одной цене инструмент выбирать нельзя. Для A/B-тестов и лендингов нужно отдельно проверять: лимиты, сэмплирование, экспорт, хранение данных, приватность и интеграции с рекламными источниками.
Дата публикации материала: 23 марта 2026.
Mouseflow vs Microsoft Clarity: где сильнее инструмент для записей и тепловых карт
Если нужен максимум сырых session recordings без бюджета, у Clarity сильный аргумент: сервис записывает все сессии без сэмплирования и бесплатно. Для CRO это важно: меньше риска пропустить редкий, но дорогой паттерн поведения в форме или checkout.
Что у Mouseflow:
— 7 типов heatmaps: click, scroll, movement, attention, friction, interactive, geo
— AI-агент Mina может поднимать инсайты из записей сессий, чтобы не смотреть каждую вручную
Что у Microsoft Clarity:
— записи всех сессий без sampling
— просмотр посетителей сайта live, в реальном времени
— AI summaries и insights доступны при связке с Microsoft Copilot
Вывод: Clarity выглядит сильнее как бесплатный слой наблюдения “поставить на все лендинги и собирать максимум данных”. Mouseflow интереснее, если нужны более разные карты поведения и отдельная AI-обработка записей внутри продукта.
Но ни heatmap, ни AI-summary сами по себе не доказывают рост CR. Это источник гипотез. Дальше — A/B-тест, размер выборки и значимость.
Если нужен максимум сырых session recordings без бюджета, у Clarity сильный аргумент: сервис записывает все сессии без сэмплирования и бесплатно. Для CRO это важно: меньше риска пропустить редкий, но дорогой паттерн поведения в форме или checkout.
Что у Mouseflow:
— 7 типов heatmaps: click, scroll, movement, attention, friction, interactive, geo
— AI-агент Mina может поднимать инсайты из записей сессий, чтобы не смотреть каждую вручную
Что у Microsoft Clarity:
— записи всех сессий без sampling
— просмотр посетителей сайта live, в реальном времени
— AI summaries и insights доступны при связке с Microsoft Copilot
Вывод: Clarity выглядит сильнее как бесплатный слой наблюдения “поставить на все лендинги и собирать максимум данных”. Mouseflow интереснее, если нужны более разные карты поведения и отдельная AI-обработка записей внутри продукта.
Но ни heatmap, ни AI-summary сами по себе не доказывают рост CR. Это источник гипотез. Дальше — A/B-тест, размер выборки и значимость.
AI в листингах e-commerce: кейс Mercari без публичных CR-метрик
Mercari использует GPT-4o mini и GPT-4, чтобы упростить процесс продажи, улучшать карточки товаров и повышать продажи.
Что заявлено:
— AI Listing Support помогает с созданием/улучшением товарных листингов
— Mercari AI Assistant встроен как отдельная AI-функция
— цель: меньше трения для продавца и более сильное представление товара
CRO-комментарий: это не доказательство роста конверсии само по себе. В статье нет размера выборки, uplift, p-value/Bayesian probability или разреза по этапам воронки.
Что стоило бы тестировать:
— доля продавцов, дошедших до публикации листинга
— время до публикации
— CR просмотра карточки в покупку
— GMV/продажи на листинг
— эффект отдельно для новых и опытных продавцов
Вывод: AI-генерация листингов — логичная гипотеза для маркетплейсов, где качество описания и скорость публикации влияют на supply-side воронку. Но без открытых данных это пока продуктовая инициатива, а не подтверждённый CRO-кейс.
Mercari использует GPT-4o mini и GPT-4, чтобы упростить процесс продажи, улучшать карточки товаров и повышать продажи.
Что заявлено:
— AI Listing Support помогает с созданием/улучшением товарных листингов
— Mercari AI Assistant встроен как отдельная AI-функция
— цель: меньше трения для продавца и более сильное представление товара
CRO-комментарий: это не доказательство роста конверсии само по себе. В статье нет размера выборки, uplift, p-value/Bayesian probability или разреза по этапам воронки.
Что стоило бы тестировать:
— доля продавцов, дошедших до публикации листинга
— время до публикации
— CR просмотра карточки в покупку
— GMV/продажи на листинг
— эффект отдельно для новых и опытных продавцов
Вывод: AI-генерация листингов — логичная гипотеза для маркетплейсов, где качество описания и скорость публикации влияют на supply-side воронку. Но без открытых данных это пока продуктовая инициатива, а не подтверждённый CRO-кейс.
Crazy Egg vs Microsoft Clarity: не «что лучше», а под какую CRO-задачу.
Microsoft Clarity:
— бесплатно
— нет платного тарифа
— до 100 000 записанных сессий в день
— без сэмплинга и лимитов
Это сильный вариант для диагностики поведения: session recordings, паттерны скролла, клики, rage clicks. Особенно если трафика много, а бюджет на инструмент нулевой.
Crazy Egg:
— платные планы от $29/мес при годовой оплате
— хранение записей: от 6 месяцев до 2 лет
— есть нативные A/B-тесты
— встроенные опросы
— no-code popup CTA с триггерами и трекингом конверсий
Ключевая разница: Clarity отвечает на вопрос «что пользователи делают на странице». Crazy Egg ближе к циклу «нашли проблему → запустили гипотезу → проверили вариант» внутри одного инструмента.
Вывод:
Если нужен бесплатный слой аналитики поведения на большом объёме сессий — Clarity выглядит рационально. Если команда хочет не только смотреть записи, но и запускать A/B-тесты, опросы и popup CTA без отдельного стека — Crazy Egg закрывает больше CRO-операций, но уже за деньги.
Microsoft Clarity:
— бесплатно
— нет платного тарифа
— до 100 000 записанных сессий в день
— без сэмплинга и лимитов
Это сильный вариант для диагностики поведения: session recordings, паттерны скролла, клики, rage clicks. Особенно если трафика много, а бюджет на инструмент нулевой.
Crazy Egg:
— платные планы от $29/мес при годовой оплате
— хранение записей: от 6 месяцев до 2 лет
— есть нативные A/B-тесты
— встроенные опросы
— no-code popup CTA с триггерами и трекингом конверсий
Ключевая разница: Clarity отвечает на вопрос «что пользователи делают на странице». Crazy Egg ближе к циклу «нашли проблему → запустили гипотезу → проверили вариант» внутри одного инструмента.
Вывод:
Если нужен бесплатный слой аналитики поведения на большом объёме сессий — Clarity выглядит рационально. Если команда хочет не только смотреть записи, но и запускать A/B-тесты, опросы и popup CTA без отдельного стека — Crazy Egg закрывает больше CRO-операций, но уже за деньги.
Session Replay: что смотреть до A/B-теста
Contentsquare описывает User Replay как session recording / session replay: запись поведения пользователя для поиска UX-проблем.
Что фиксируется:
— клики
— hover
— признаки фрустрации
— intent-driven behavior
Смысл для CRO: не «угадать гипотезу», а увидеть, где пользователь реально ломается на лендинге, форме или checkout.
Полезная деталь: Contentsquare заявляет, что Session Replay может собирать до 100% трафика. Это важно, если проблема редкая и не попадает в малую выборку записей.
Ещё один практичный режим — фокусировать сбор не на всех сессиях, а на поведении, связанном с ключевыми метриками:
— завершение checkout
— отправка контактной формы
Плюс: advanced-функции включают heatmaps и funnels — визуальное представление активности и вовлечённых зон страницы.
Вывод: session replay не заменяет A/B-тест. Он снижает количество слабых гипотез до теста: сначала находим паттерн в поведении, потом проверяем изменением интерфейса и считаем эффект.
—
Про seo подробнее — @SEORadarRU
Contentsquare описывает User Replay как session recording / session replay: запись поведения пользователя для поиска UX-проблем.
Что фиксируется:
— клики
— hover
— признаки фрустрации
— intent-driven behavior
Смысл для CRO: не «угадать гипотезу», а увидеть, где пользователь реально ломается на лендинге, форме или checkout.
Полезная деталь: Contentsquare заявляет, что Session Replay может собирать до 100% трафика. Это важно, если проблема редкая и не попадает в малую выборку записей.
Ещё один практичный режим — фокусировать сбор не на всех сессиях, а на поведении, связанном с ключевыми метриками:
— завершение checkout
— отправка контактной формы
Плюс: advanced-функции включают heatmaps и funnels — визуальное представление активности и вовлечённых зон страницы.
Вывод: session replay не заменяет A/B-тест. Он снижает количество слабых гипотез до теста: сначала находим паттерн в поведении, потом проверяем изменением интерфейса и считаем эффект.
—
Про seo подробнее — @SEORadarRU
Natal снял free trial с monthly: monthly-подписки выросли на 2 000%
Nancy Anderson протестировала удаление free trial только из monthly-опции. После изменения monthly subscriptions выросли на 2 000%, quarterly — на 46%, annual — на 21%.
У Natal воронка сильная уже до оплаты: 93% пользователей, дошедших до web checkout, скачивают app. Trial CVR — 68% против ~38% average в health & fitness.
Для CRO это не правило «убрать trial». Это гипотеза про трение по тарифам: monthly может ловить низкий commitment, а free trial усиливает этот паттерн. Реплицировать — только с раздельными метриками по планам и проверкой на paid conversion после trial.
Nancy Anderson протестировала удаление free trial только из monthly-опции. После изменения monthly subscriptions выросли на 2 000%, quarterly — на 46%, annual — на 21%.
У Natal воронка сильная уже до оплаты: 93% пользователей, дошедших до web checkout, скачивают app. Trial CVR — 68% против ~38% average в health & fitness.
Для CRO это не правило «убрать trial». Это гипотеза про трение по тарифам: monthly может ловить низкий commitment, а free trial усиливает этот паттерн. Реплицировать — только с раздельными метриками по планам и проверкой на paid conversion после trial.
Fragment добавил USDT/USDC для Premium и Stars — минус один посредник в оплате
Premium и Stars теперь оплачиваются на Fragment в USDT и USDC через Ethereum, TON и Polygon. Сценарии: покупка себе, подарок другу, предоплата розыгрыша — прямо на Fragment.
Для CRO это не «новый способ оплаты», а отдельная checkout-гипотеза для Telegram-native воронок: меньше переходов к посредникам может снизить friction, но без замера CR это только предположение.
Что тестировать завтра:
— отдельный CTA под USDT/USDC vs общий «оплатить»
— TON-first порядок сетей vs нейтральный список
— подарок/розыгрыш как отдельный сценарий, а не вторичный текст
— drop-off на шаге выбора сети
Метрика не клики по кнопке, а completion rate оплаты. Иначе легко оптимизировать красивый tap, который не доезжает до покупки.
Premium и Stars теперь оплачиваются на Fragment в USDT и USDC через Ethereum, TON и Polygon. Сценарии: покупка себе, подарок другу, предоплата розыгрыша — прямо на Fragment.
Для CRO это не «новый способ оплаты», а отдельная checkout-гипотеза для Telegram-native воронок: меньше переходов к посредникам может снизить friction, но без замера CR это только предположение.
Что тестировать завтра:
— отдельный CTA под USDT/USDC vs общий «оплатить»
— TON-first порядок сетей vs нейтральный список
— подарок/розыгрыш как отдельный сценарий, а не вторичный текст
— drop-off на шаге выбора сети
Метрика не клики по кнопке, а completion rate оплаты. Иначе легко оптимизировать красивый tap, который не доезжает до покупки.
Sticky CTA без скролла — не «магия UX», а компромисс между видимостью и раздражением
Sticky CTA часто добавляют на мобильные лендинги как «быстрый фикс» просадки CR. Логика понятна: кнопка всегда перед глазами → выше шанс клика. Но в тепловых картах и session recordings паттерн сложнее.
Что обычно происходит после внедрения:
— CTR по CTA действительно растёт: кнопку видят чаще.
— Но часть пользователей перестаёт дочитывать блоки с аргументацией.
— На агрессивных sticky-элементах растёт rage click и быстрые возвраты вверх страницы.
Где sticky CTA чаще помогает:
— длинные mobile-first лендинги;
— формы после нескольких экранов контента;
— офферы с понятным intent без сложного объяснения;
— checkout с повторным CTA после заполнения части данных.
Где эффект часто нейтральный или отрицательный:
— лендинги с высокой когнитивной нагрузкой;
— B2B/SaaS с длинным циклом решения;
— страницы, где CTA перекрывает контент или мешает скроллу;
— агрессивные fixed-бары на iOS Safari.
Что проверять в A/B-тесте кроме CR:
— depth scroll;
— rage click rate;
— время до первого взаимодействия;
— drop-off перед формой;
— различия desktop vs mobile.
Sticky CTA — не «добавили кнопку и получили рост». Это тест на баланс внимания. Если пользователь ещё не понял ценность оффера, фиксированная кнопка только ускоряет отказ.
Sticky CTA часто добавляют на мобильные лендинги как «быстрый фикс» просадки CR. Логика понятна: кнопка всегда перед глазами → выше шанс клика. Но в тепловых картах и session recordings паттерн сложнее.
Что обычно происходит после внедрения:
— CTR по CTA действительно растёт: кнопку видят чаще.
— Но часть пользователей перестаёт дочитывать блоки с аргументацией.
— На агрессивных sticky-элементах растёт rage click и быстрые возвраты вверх страницы.
Где sticky CTA чаще помогает:
— длинные mobile-first лендинги;
— формы после нескольких экранов контента;
— офферы с понятным intent без сложного объяснения;
— checkout с повторным CTA после заполнения части данных.
Где эффект часто нейтральный или отрицательный:
— лендинги с высокой когнитивной нагрузкой;
— B2B/SaaS с длинным циклом решения;
— страницы, где CTA перекрывает контент или мешает скроллу;
— агрессивные fixed-бары на iOS Safari.
Что проверять в A/B-тесте кроме CR:
— depth scroll;
— rage click rate;
— время до первого взаимодействия;
— drop-off перед формой;
— различия desktop vs mobile.
Sticky CTA — не «добавили кнопку и получили рост». Это тест на баланс внимания. Если пользователь ещё не понял ценность оффера, фиксированная кнопка только ускоряет отказ.
10 наблюдений NN/g, которые чаще влияют на конверсию, чем очередной редизайн CTA
Nielsen Norman Group десятилетиями изучает поведение пользователей. Для CRO ценность не в красивых макетах, а в повторяющихся паттернах ошибок, которые ломают путь к конверсии.
— Пользователи не читают страницу целиком. Они сканируют. Ключевое УТП, цена и следующий шаг должны быть видны за несколько секунд без поиска по экрану.
— Чем выше когнитивная нагрузка, тем ниже вероятность действия. Лишние поля формы, сложные тексты и перегруженные блоки создают трение.
— Люди принимают решения на основе узнаваемых шаблонов. Эксперименты с нестандартной навигацией или необычными формами часто ухудшают UX быстрее, чем улучшают его.
— Ошибки в формах должны объясняться сразу и рядом с полем. Пользователь не должен искать причину отказа после отправки.
— Доверие строится через конкретику: условия, гарантии, сроки, процесс обработки заявки. Общие заявления работают хуже проверяемых деталей.
— Мобильный трафик требует отдельного анализа. Тепловые карты часто показывают, что элементы, заметные на десктопе, просто не попадают в поле внимания на смартфоне.
— Пользователь всегда пытается оценить стоимость усилий. Каждый дополнительный шаг воронки увеличивает вероятность отказа.
— Скрытая информация вызывает подозрение. Цена, доставка, условия подписки и ограничения должны быть доступны до конверсии.
— Визуальная иерархия важнее декоративного дизайна. Пользователь должен понимать, что главное, а что второстепенное.
— Session recordings полезны не для поиска отдельных ошибок, а для выявления повторяющихся паттернов поведения.
Для CRO это хороший чек-лист перед запуском A/B-теста: сначала убираем очевидные UX-проблемы, затем проверяем гипотезы. Иначе можно месяцами тестировать вариации кнопок, игнорируя реальные причины потери конверсии. #CRO #UX
Nielsen Norman Group десятилетиями изучает поведение пользователей. Для CRO ценность не в красивых макетах, а в повторяющихся паттернах ошибок, которые ломают путь к конверсии.
— Пользователи не читают страницу целиком. Они сканируют. Ключевое УТП, цена и следующий шаг должны быть видны за несколько секунд без поиска по экрану.
— Чем выше когнитивная нагрузка, тем ниже вероятность действия. Лишние поля формы, сложные тексты и перегруженные блоки создают трение.
— Люди принимают решения на основе узнаваемых шаблонов. Эксперименты с нестандартной навигацией или необычными формами часто ухудшают UX быстрее, чем улучшают его.
— Ошибки в формах должны объясняться сразу и рядом с полем. Пользователь не должен искать причину отказа после отправки.
— Доверие строится через конкретику: условия, гарантии, сроки, процесс обработки заявки. Общие заявления работают хуже проверяемых деталей.
— Мобильный трафик требует отдельного анализа. Тепловые карты часто показывают, что элементы, заметные на десктопе, просто не попадают в поле внимания на смартфоне.
— Пользователь всегда пытается оценить стоимость усилий. Каждый дополнительный шаг воронки увеличивает вероятность отказа.
— Скрытая информация вызывает подозрение. Цена, доставка, условия подписки и ограничения должны быть доступны до конверсии.
— Визуальная иерархия важнее декоративного дизайна. Пользователь должен понимать, что главное, а что второстепенное.
— Session recordings полезны не для поиска отдельных ошибок, а для выявления повторяющихся паттернов поведения.
Для CRO это хороший чек-лист перед запуском A/B-теста: сначала убираем очевидные UX-проблемы, затем проверяем гипотезы. Иначе можно месяцами тестировать вариации кнопок, игнорируя реальные причины потери конверсии. #CRO #UX
Progress bar в квизе не магия: он снижает тревогу, но иногда режет досмотр
Progress bar в квиз-лендинге работает не как «ускоритель конверсии», а как инструмент управления ожиданиями. Пользователь видит длину пути, понимает, сколько шагов осталось, и реже бросает форму на середине.
Но есть нюанс: когда прогресс показывают слишком рано или слишком агрессивно, часть людей начинает оценивать не пользу, а «цену усилий». Для коротких квизов это иногда ухудшает CR.
Что обычно тестируют:
— без прогресс-бара vs с прогресс-баром;
— линейный индикатор vs шаги 1/5, 2/5, 3/5;
— процент выполнения vs «этап 2 из 4»;
— показывать с первого экрана или только после первого ответа.
На практике progress bar чаще помогает там, где:
— квиз длиннее 4–5 шагов;
— вопросы неочевидные и требуют внимания;
— есть риск отвалов на середине;
— мобильный трафик доминирует.
Слабые места:
— короткие квизы до 3 шагов;
— агрессивные проценты с резким ростом «уже почти готово»;
— индикатор, который не совпадает с реальной длиной анкеты;
— визуальный шум рядом с CTA.
Если тестируете, смотрите не только CR в лид, но и drop-off по шагам. Бывает, общий CR почти не меняется, а провал просто переезжает с одного экрана на другой.
Лучший вариант — не «добавить полоску», а проверить, уменьшает ли она ранний выход именно в вашей воронке. Без этого progress bar легко принять за улучшение, которого на деле нет.
Progress bar в квиз-лендинге работает не как «ускоритель конверсии», а как инструмент управления ожиданиями. Пользователь видит длину пути, понимает, сколько шагов осталось, и реже бросает форму на середине.
Но есть нюанс: когда прогресс показывают слишком рано или слишком агрессивно, часть людей начинает оценивать не пользу, а «цену усилий». Для коротких квизов это иногда ухудшает CR.
Что обычно тестируют:
— без прогресс-бара vs с прогресс-баром;
— линейный индикатор vs шаги 1/5, 2/5, 3/5;
— процент выполнения vs «этап 2 из 4»;
— показывать с первого экрана или только после первого ответа.
На практике progress bar чаще помогает там, где:
— квиз длиннее 4–5 шагов;
— вопросы неочевидные и требуют внимания;
— есть риск отвалов на середине;
— мобильный трафик доминирует.
Слабые места:
— короткие квизы до 3 шагов;
— агрессивные проценты с резким ростом «уже почти готово»;
— индикатор, который не совпадает с реальной длиной анкеты;
— визуальный шум рядом с CTA.
Если тестируете, смотрите не только CR в лид, но и drop-off по шагам. Бывает, общий CR почти не меняется, а провал просто переезжает с одного экрана на другой.
Лучший вариант — не «добавить полоску», а проверить, уменьшает ли она ранний выход именно в вашей воронке. Без этого progress bar легко принять за улучшение, которого на деле нет.
Статзначимость A/B-теста — это не магия, а фильтр от ложных побед
Если коротко: значимость отвечает на вопрос, мог ли эффект появиться случайно. Не «вариант лучше», а «данных уже достаточно, чтобы не списывать разницу на шум».
Базовая логика без математики:
— есть гипотеза: меняем один элемент;
— собираем трафик на A и B;
— сравниваем CR;
— если разница слишком велика для текущего объёма, тест считается значимым.
Что важно не перепутать:
— маленькая разница на слабом трафике почти всегда шум;
— большая разница на крошечной выборке тоже может быть случайностью;
— значимость не показывает размер эффекта, только уверенность, что он не нулевой.
На практике смотрят не на «B выше A», а на три вещи:
— размер выборки;
— длительность теста;
— p-value или Bayesian probability.
Если p-value выше 0.05, это не победа и не провал — это «недостаточно данных». Если ниже 0.05, результат уже можно принимать, но всё равно смотрят на effect size: +0.3% CR при миллионе визитов и +3% CR при сотне лидов — это совсем разный бизнес-смысл.
Главная ошибка — останавливать тест, когда график «красивый». Кривые в начале почти всегда врут. Нормальный процесс: заранее задать минимальный эффект, собрать нужный объём, дождаться полной картины.
Если нужна одна формула в голове, то такая:
Если коротко: значимость отвечает на вопрос, мог ли эффект появиться случайно. Не «вариант лучше», а «данных уже достаточно, чтобы не списывать разницу на шум».
Базовая логика без математики:
— есть гипотеза: меняем один элемент;
— собираем трафик на A и B;
— сравниваем CR;
— если разница слишком велика для текущего объёма, тест считается значимым.
Что важно не перепутать:
— маленькая разница на слабом трафике почти всегда шум;
— большая разница на крошечной выборке тоже может быть случайностью;
— значимость не показывает размер эффекта, только уверенность, что он не нулевой.
На практике смотрят не на «B выше A», а на три вещи:
— размер выборки;
— длительность теста;
— p-value или Bayesian probability.
Если p-value выше 0.05, это не победа и не провал — это «недостаточно данных». Если ниже 0.05, результат уже можно принимать, но всё равно смотрят на effect size: +0.3% CR при миллионе визитов и +3% CR при сотне лидов — это совсем разный бизнес-смысл.
Главная ошибка — останавливать тест, когда график «красивый». Кривые в начале почти всегда врут. Нормальный процесс: заранее задать минимальный эффект, собрать нужный объём, дождаться полной картины.
Если нужна одна формула в голове, то такая:
эффект + объём трафика + время = доверие к результату. Без любого из этих трёх A/B-тест превращается в гадание.