Здесь видно, сколько стоит тысяча просмотров рекламы.
Цена из базыцена не указана
Цена за 1000 просмотров в каталоге—
Охват для расчёта413
Прайс вносит редакция tg.observer. Если цены нет, канал остаётся в каталоге как площадка без подтверждённой стоимости.
Риски перед закупкой
Риск накрутки18 из 100
Доля рекламынет явной рекламы · 0%
Стоп-листактивных флагов нет
Стабильность-21.0% охват за 30д
Критичных скачков роста за последние снимки не видно. Охват считаем как медиану просмотров постов за последние 30 дней — так один вирусный пост не ломает картину.
Аудитория
Данных по аудитории пока нет. Когда они появятся, покажем интересы и пересечения с другими каналами.
Откройте список и посмотрите, как выглядит реклама в канале.
36всего за 3 месяца
0 / 0.0%реклама
7 / 19.4%требуют проверки
29 / 80.6%не реклама
03.06.2026 07:00👁 143
Что делать, если подрядчик показывает красивые метрики, AI их пересказывает, а денег в кассе больше не становится? Пошаговый план По данным HubSpot State of Marketing 2024, только 60% маркетологов, использующих AI, приме…
Показать целиком
Что делать, если подрядчик показывает красивые метрики, AI их пересказывает, а денег в кассе больше не становится? Пошаговый план
По данным HubSpot State of Marketing 2024, только 60% маркетологов, использующих AI, применяют его для анализа данных. Задумался я, что бы это значило...
Как все обычно выглядит: агентство присылает отчёт. CTR вырос на 23%, CPL снизился, охваты хорошие. Что дальше? Ну конечно. Отдаёшь нейросети на анализ – получаешь структурированный вывод с ключевыми инсайтами.
В какой момент мы решили, что наша работа - жечь токены?
Подрядчик оптимизирует репорты под то, что умеет измерять - так уж он устроен. Модель пересказывает то, что ей дали. Тоже никаких вопросов. Знаете в чем затык? Никто из них не обязан думать про деньги.
Это ваша задача. И ваша головная боль.
Спорим, я знаю, как выглядит ваш обычный чат с агентом? Скорее всего что-то вроде "Прокомментируй эти цифры". Это самое что ни на есть приглашение к еще одному красивому слайду.
Челленджить подрядчика - это ОК. Жечь токены для болтовни - не ОК.
Рабочий тейк для подрядчика "Покажи когорты лидов за 3 месяца: сколько дошли до оплаты и какой CAC по каждому каналу? Какие изменения были в кампаниях и почему?". Вот это уже можно обкашлять с агентом.
Когда данные под рукой, нейросеть реально усиливает: считает когорты, строит сравнение каналов по unit-экономике, находит аномалии. Но только если знаешь что искать.
Как выстроить контроль по шагам:
1. Зафиксируй 2-3 метрики, напрямую связанные с деньгами: CAC, конверсия лид-оплата, LTV/CAC.
2. Попроси подрядчика отчитываться по ним в когортной динамике, а не в абсолютных числах за период.
3. Кросс-проверка через модель: загружай выгрузку из CRM и данные кабинета, спрашивай конкретно. Инструменты: Supermetrics для сбора, Google Sheets + ИИ для анализа.
Стодолларовый Кодекс - мощный инструмент для анализа данных. Не используйте его для пересказа.
И да, а как вы юзаете AI в своем маркетинге? Напишите в комментах.
@marketing_analysis
4 шага, чтобы завайбкодить маркетинг-аналитику и не сломаться на первом же вопросе про деньги Помните, в феврале 2025 года Андрей Карпатый написал: "vibe coding – это когда полностью отдаёшься вайбу, а код существует как…
Показать целиком
4 шага, чтобы завайбкодить маркетинг-аналитику и не сломаться на первом же вопросе про деньги
Помните, в феврале 2025 года Андрей Карпатый написал: "vibe coding – это когда полностью отдаёшься вайбу, а код существует как бы сам по себе"? Все принялись отдаваться. И вот что я вижу сейчас.
Маркетолог или продакт поднимает n8n или Openclaw. Подключает кабинеты, CRM, GA4. Просит Claude сделать аналитику. Всё течёт, всё считается. Вайб.
Потом приходит время неудобных вопросов от CEO. Наример: "Мы потратили 4 млн в квартал, где отдача?"
И оказывается, если переслать этот вопрос своему агенту - магии не случится :(. Как так?
Сейчас попробую объяснить. Карпатый в том же твите написал, что код в итоге вырастает за пределы нашего понимания. И это ок. С аналитикой вроде также должно быть?
Увы, мы слишком многое понимаем буквально.
Слабая постановка вопроса, которую я слышу постоянно: "Покажи все метрики по каналам." Это уверенный шаг к лютым галлюцинациям.
Я как внешний Head of Marketing Analytics видел это десятки раз. Работаем, а если что не так - спросим у Клода.
Нет. Клод ответит только то, что вы запрашиваете.
Рабочая формулировка звучит иначе: "При каком CAC по каналу мы остаёмся в плюс при текущем LTV?" Под неё строишь связку. Под неё просишь AI. Вот тогда Claude реально помогает: считает юнит-экономику, моделирует сценарии, находит аномалии.
Три шага, чтобы аналитика не развалилась на первом разговоре про деньги:
1. Запиши вопрос, на которую ты ищешь ответ. Одно предложение, с деньгами внутри.
2. Проверь через Claude: "Хочу получить ответ на вопрос X, зная Y, Z. Какие тут противоречия?".
3. Прочти противоречия. Вернись к шагу 1. Повтори.
4. Только потом собирай связку в n8n / Openclaw / Hermes.
А как вы сетапите аналитику с агентами? Го в комментарии.
Кстати, записал урок про то, как подключить AI-агента к маркетинговым данным и получать метрики прямо в Telegram – без дашбордов и аналитиков. Ссылка тут.
@marketing_analysis
Ребят, вот вам головоломка на пять секунд Два варианта страницы тарифов T-Mobile. Единственная разница – позиция одного переключателя. Вариант A: toggle справа – рядом с ценой. Вариант B: toggle слева – рядом с названием…
Показать целиком
Ребят, вот вам головоломка на пять секунд
Два варианта страницы тарифов T-Mobile. Единственная разница – позиция одного переключателя.
Вариант A:
toggle справа – рядом с ценой.
Вариант B:
toggle слева – рядом с названием продукта.
Где выше конверсия и лучше выбор пакета?
Результаты – в Фабрике кейсов. Там мы разбираем такие A/B-тесты с цифрами, контекстом и неочевидными выводами.
Что внутри:
• закрытые встречи с экспертами;
• реальные кейсы участников: приглашаю людей, у которых есть что показать;
• сессии по атрибуции, retention, LTV, рекламным каналам;
• черновики, идеи и разборы, которые до публичного формата часто вообще не доходят.
Разбираем конкретные кейсы: почему упала конверсия, где течёт воронка, какой канал жрёт бюджет и не отбивает, и многое другое.
900 ₽ в месяц, вступить можно по ссылке.
@marketing_analysis
В CRM одиннадцать вариантов написания слова «google». Это называется «у нас настроена аналитика». По данным Gartner, плохое качество данных стоит компаниям в среднем $12,9 млн в год. Звучит как что-то из мира больших дяд…
Показать целиком
В CRM одиннадцать вариантов написания слова «google». Это называется «у нас настроена аналитика».
По данным Gartner, плохое качество данных стоит компаниям в среднем $12,9 млн в год.
Звучит как что-то из мира больших дядек. А потом открываешь CRM и видишь одиннадцать вариантов google / cpc:
google / cpc
Google / CPC
google_ads / paid
gads / cpc
google / paid_search
...
Тут обычно шуточки кончаются. Данные ведь есть, CRM есть, GA4 есть, откуда 11 вариантов? Как здорово, что теперь можно выгрузить всё в таблицу, дать AI и попросить разобраться!
AI что-то посчитает. Даже красиво. Найдёт конверсии, CPL, расхождения, аномалии, склеит каналы наверное. Но уж поверьте мне - если одна и та же связка source / medium записана 11-ю способами, он соберёт еще один фейк - двенадцатый по всей видимости.
Снаружи это выглядит как бюджетная аналитика. Но что бюджетного в том, чтобы час грузить данные,придумывать промпт, а потом сделать как обычно - по чуйке?
Я такое часто вижу как внешний Head of Marketing Analytics. Google Ads вроде просел - го в Chat GPT. Подрядчик виноват? Может быть. Креативы выгорели? Может быть. Сезонность? Тоже вариант. А в конце:
Моя ошибка, прости хозяин.
Ребят. Если часть лидов просто лежит в CRM под google_ads / paid, часть под gads / cpc, часть под Google / CPC, то просел не канал. Просела дисциплина.
Не стреляйте в пианиста. Клод отлично ходит в данные. Но только после того, как получит прозрачный и консистентный income: системный промпт, контекст, формат вывода и адекватный датасет.
А что если попробовать так?
1. Зафиксировать стандарты UTM: source, medium, campaign, content, term.
2. Настроить CRM-валидацию для дедупликации source / medium не из справочника.
3. Завести справочник каналов в BigQuery или хотя бы в таблице
А уже после этого собраться в гости в AI. Он может находить новые странные метки, объяснять расхождения между CRM и GA4, подсвечивать кампании, где что-то сломалось, и собирать короткое summary для CMO.
Понимаю, как чешутся руки кинуть промпт и получить магию. Но сначала нужна не магия, а порядок в source / medium.
Те самые $12,9 млн из исследования Gartner иногда начинаются не с DWH. А все чаще с того, что google / cpc в CRM записан одиннадцатью способами.
А у вас в CRM сколько вариантов одной и той же связки source / medium? Посмотрите ради интереса и напишите в комментариях.
В бесплатном уроке по AI-агентам в маркетинге я показываю, как перейти от Excel и ручных проверок к системе, где AI помогает находить такие ошибки до того, как они попали в отчёт.
@marketing_analytics
Я сейчас много думаю про global В смысле, как сервисному бизнесу нормально выйти за пределы своего локального рынка. Не просто «начать писать на английском», а реально найти клиентов в США/Европе, когда ты продаешь экспе…
Показать целиком
Я сейчас много думаю про global
В смысле, как сервисному бизнесу нормально выйти за пределы своего локального рынка. Не просто «начать писать на английском», а реально найти клиентов в США/Европе, когда ты продаешь экспертизу: аналитику, консалтинг, разработку, маркетинг.
Недавно говорил об этом с Ринатом Хатиповым. Он как раз занимается B2B-аутричом на западных рынках, и я спросил его: как вообще сервисные бизнесы туда выходят?
И мысль, которую я для себя забрал, довольно простая: не надо начинать со всего мира. Всего мира вообще нет.
Скажете, спасибо кэп. И будете правы:)
Потому что «global» звучит красиво, но по факту это вообще ни о чем. Кому ты продаешь? В какой нише? С какой болью? Почему именно тебе должны ответить?
А вот если заузиться? Например, русскоязычные фаундеры в ecommerce в Европе. Или iGaming-команды, которым нужна маркетинговая аналитика. Или агентства, которые постоянно мучаются с отчетностью, атрибуцией и данными для клиентов.
Это другое дело. Понятно, кого искать. Понятно, что писать. Понятно, какие кейсы собирать. Понятно, какой контент делать.
Короче, для меня это был хороший сдвиг парадигмы: выход на global - это маленький шаг с маленького, понятного и знакомого тебе сегмента.
А как вам кажется: сервисному бизнесу лучше сначала сильно сузиться или наоборот тестировать широко и смотреть, где откликнется?
@marketing_analysis
Что делать, если маркетинг-дашборд не говорит, что делать? И поможет ли тут AI? Forrester несколько лет подряд исследуют, сколько компаний реально принимают решения на основе данных, а не просто собирают их. Цифра стабил…
Показать целиком
Что делать, если маркетинг-дашборд не говорит, что делать? И поможет ли тут AI?
Forrester несколько лет подряд исследуют, сколько компаний реально принимают решения на основе данных, а не просто собирают их. Цифра стабильная: около 6%.
Ну да, 6%. Не 60. Шесть.
При этом дашборды-то есть у всех. GA4 подключен. Рекламные кабинеты стянуты. CRM ведётся. Отчёты приходят по расписанию. Картина полная - ощущение контроля есть. А решения? Неа.
Сейчас попробую объяснить, где ломается.
Типичная пятница: фаундер спрашивает «что с бюджетом на следующей неделе?» Открываешь отчёт. CPA вырос на 18%. ROAS упал. Трафик средний. Воронка вроде ок. Смотришь, потом говоришь «разберусь к понедельнику».
Что дальше? Верно! Идем в ChatGPT или Claude - ну про это же сейчас везде орут. Закидываешь какие-то данные, пишешь «где теряем деньги» - получаешь уверенный текст про сезонность, изменение аукциона и важность тестирования креативов. Красиво. Бесполезно.
Я сейчас подключаюсь к проектам как внешний Head of Marketing Analytics. И вижу, чем это заканчивается: кампании с нулевыми продажами крутятся месяцами, потому что в дашборде выглядели «терпимо». Деньги уходят. Никто не принимал решение отключить, потому что «надо ещё посмотреть».
Проблема в вопросах.
Например «Почему у нас вырос CPA?». У этого тейка нет периода, нет канала, нет порога - на сколько вырос, что критично ли это. AI на такое выдаёт текст. Аналитик выдаёт текст. Что делать - по-прежнему непонятно.
Другое дело: «Какие кампании в Facebook за последние 14 дней потратили больше $300 и показали CPA выше целевого на 25%+ при нулевых оплатах?».
С таким подходом ваша система аналитики, Claude или ChatGPT работают - фильтруют, считают, выдают список кандидатов на отключение. Не потому что умнее стали, а потому что получили рамку с критерием.
Но это, черт возьми, требует работы. Увы :)
Как это собрать на практике:
1. Формулируешь решение - что конкретно нужно принять. «Отключить слабые кампании до пятницы» лучше, чем «разобраться с рекламой».
2. Определяешь критерий - конкретное число: CPA выше X, потрачено больше Y, продаж ноль за N дней.
3. Идешь в аналитику или собираешь данные под вопрос - записываешь гипотезы.
4. Если есть возможность - даешь доступ к данным ассистенту. Просишь его опровергнуть твои гипотезы и подобрать более сильные.
5. Принимаешь решение - список гипотез на руках, дело за малым.
Те 6% из Forrester, которые реально работают с аналитикой - они не умнее и не богаче. Они просто знают, с каким вопросом идти к данным.
А на каком пункте застрял ты? Пиши в комментарии.
Если хочется собрать агента для аналитики - у меня есть бесплатный урок, где показываю, как сделать это с нуля.
@marketing_analysis
Что делать, если данных в маркетинге стало больше, AI стал умнее, а толку по-прежнему нет? А вы знали, что теперь Gemini можно использовать как AI-ассистента прямо в Google Sheets? Я - да. Узнал от друга. Он подключил Ge…
Показать целиком
Что делать, если данных в маркетинге стало больше, AI стал умнее, а толку по-прежнему нет?
А вы знали, что теперь Gemini можно использовать как AI-ассистента прямо в Google Sheets?
Я - да. Узнал от друга. Он подключил Gemini к таблице с маркетинговыми данными: расходы, лиды, продажи, каналы, кампании — ну вы понимаете, своё маленькое хранилище с блек-джеком и прочими прелестями.
О чём я подумал? Ну наконец-то!
Больше не надо ждать дашборд две недели, мучить аналитика вопросами или открывать 14 вкладок. Просто сидишь в таблице и спрашиваешь:
«Почему вырос CPA?»
«Где мы теряем деньги?»
«Что отключить? Что усилить?»
И AI вроде как должен всё разложить.
Так оно и было. Почти.
Если начистоту — это и правда просто.
Можно взять данные из рекламного кабинета, CRM, GA4, Stripe, сложить в таблицу, подключить Gemini и начать задавать вопросы.
«Найди аномалии».
«Объясни падение».
«Какие кампании нужно отключить?»
и так далее.
И он отвечает. Причём уверенно. Гладко. Человеческим языком, иногда даже с табличкой, выводами и рекомендациями.
Магии хватает на первые пять минут. Внезапно оказывается, что чат с данными — это не то, чем хочется заниматься постоянно.
Сейчас попробую объяснить.
Вот мой друг. В итоге попробовал пару раз и бросил. Сказал что-то вроде: «Наверное, данных было мало». И добавил, что можно попробовать Claude — он, дескать, поумнее.
То есть проблема снова оказалась в инструменте. Ведь у моего приятеля было чем заняться: работа, планы, бюджеты, дедлайны и фаундер, который хотел понять, почему вчера всё было хорошо, а сегодня опять «надо разобраться». Но он пошёл общаться с Gemini.
Проблема нас, людей, в том, что мы не хотим чатиться с данными. Мы хотим, чтобы данные через агента сами сказали нам, что делать.
Но агенты ничего не говорят, пока их не попросишь. Более того, они отвечают ровно на тот вопрос, который им задали. И вот тут — вуаля. Что будет делать агент в условиях тотальной свободы? Верно: угождать пользователю.
В итоге мы ждём магии, а получаем «Ты прав, хозяин». Это путь в никуда: вопрос «что у нас происходит?» звучит нормально только в нашей голове. Для агента это просто клёвый способ погенерить токенов.
Нормальный вопрос звучит иначе: «Какие 3 адсета за последние 14 дней дали CPA выше целевого на 30%+, при этом потратили больше $500 и не принесли продаж?»
Тут AI уже может быть полезен. Потому что у него появляется рамка. Не просто «посмотри на данные и скажи, что я увидел». А «помоги принять конкретное решение».
А теперь представьте, что вы даёте ему обвес: вычищенный консистентный датасет, подробные инструкции, примеры запросов, нужный формат вывода, внешний контекст и удобный интерфейс.
Это уже совсем другое дело. Агент начинает работать под адекватные гипотезы, а не под output-токены.
Плохие новости: такие обвесы требуют ресурсов. Говорю это уверенно, потому что регулярно подключаюсь к проектированию аналитики с AI как внешний Head of Marketing Analytics.
Попробуйте начать:
• Не с дашборда.
• Не с агента.
• Не с «давайте подключим AI, он сам разберётся».
Сначала вопросы.
Потом решения.
Потом данные.
И только потом AI.
Потому что AI не чинит слабую постановку задачи. Он просто быстрее показывает, что её не было.
Если хочется не теории, а попробовать руками — у меня есть бесплатный урок, где я показываю, как собрать AI-агента для маркетинговых данных с нуля.
@marketing_analysis
Миша Токовинин - про то, почему аналитике сайта нельзя доверять. 50% неразмеченного трафика - и маркетолог уже делает выводы. Как бизнес принимает решения на основе данных, которым нельзя верить. @marketing_analysis
Хочу поговорить! Ищу медиабаеров из performance-агентств. Или людей, которые руками закупают трафик и регулярно смотрят в рекламные кабинеты не из академического интереса, а потому что там опять что-то горит. Хочу задать…
Показать целиком
Хочу поговорить!
Ищу медиабаеров из performance-агентств. Или людей, которые руками закупают трафик и регулярно смотрят в рекламные кабинеты не из академического интереса, а потому что там опять что-то горит.
Хочу задать пару вопросов про аналитику, отчётность, клиентские дашборды и вот это вечное прекрасное: “А почему в Facebook одно, в CRM другое, а в отчёте третье?”
Сразу дисклеймер: ничего продавать не буду. Важно понять, как у вас сейчас устроены:
- отчёты для клиентов;
- оценка эффективности каналов;
- работа с разными источниками данных;
- ситуации, когда цифры не сходятся;
- и что из этого реально бесит, а что уже стало частью профессии.
Взамен могу дать что-то полезное: свои уроки по GA4 / BigQuery / маркетинговой аналитике, короткий разбор вашего сетапа, идеи по отчётности или просто нормальный разговор с человеком, который тоже слишком много времени провёл внутри таблиц.
Если вы медиабаер, performance-маркетолог, аккаунт/стратег в агентстве или знаете такого человека — напишите мне, пожалуйста. Мне нужно 5–7 разговоров. Без продаж, без презентации на 47 слайдов, без “давайте я вам покажу платформу”. Только вопросы, опыт и немного профессиональной боли.
@marketing_analysis
Запостил про GA4-BigQuery Cheat Sheet в LinkedIn - не ожидал такого отклика. Думал, узкая ниша. Оказалось — боль знакома всем, кто работает с GA4 данными в BigQuery и каждый раз гуглит одно и то же. Значит, тема живая. Д…
Показать целиком
Запостил про GA4-BigQuery Cheat Sheet в LinkedIn - не ожидал такого отклика.
Думал, узкая ниша. Оказалось — боль знакома всем, кто работает с GA4 данными в BigQuery и каждый раз гуглит одно и то же. Значит, тема живая. Делюсь здесь.
Суть: 73 SQL-запроса для работы с GA4 через BigQuery. Не учебные примеры — те, которыми пользуюсь сам. Attribution models, воронки, когорты, DAU/MAU, ecommerce-аналитика, стоимость запросов — 12 категорий.
Всё на сайте: ищешь нужный запрос, копируешь, идёшь работать. Или скачиваешь все 73 одним файлом.
👉 Ссылка тут.
Кстати, я разобрал этот продукт с точки зрения метрик в сообществе Фабрика кейсов.
@marketing_analysis
Нужен ли дашборду AI-чат? Горькая правда. Люди редко смотрят на данные, чтобы принять решение. Чаще - чтобы найти подтверждение тому, что уже решили. В психологии это называется confirmation bias. Если вы хоть раз сначал…
Показать целиком
Нужен ли дашборду AI-чат?
Горькая правда.
Люди редко смотрят на данные, чтобы принять решение. Чаще - чтобы найти подтверждение тому, что уже решили.
В психологии это называется confirmation bias. Если вы хоть раз сначала выбирали любимую гипотезу, а потом искали график, который её поддержит, вы понимаете, о чём речь.
И это не редкий кейс. Это обычная логика бизнес-встреч.
Отсюда и начинается главная проблема дашбордов.
Их делают, показывают, релизят. А потом почти не открывают.
И вот на этом фоне появляются AI-агенты. Чаще всего - в формате чата.
Яндекс DataLens интегрирует чат. В Metabase даже в бесплатной версии появился AI-ассистент. В Google Sheets уже можно работать с данными через Gemini. На YouTube полно уроков: “загрузите CSV в Claude и получите инсайты за 5 минут”.
Короче, возможность “поговорить с данными” становится нормой.
Вопрос: поможет ли это?
Само по себе - нет.
Если данные не отвечают на бизнес-вопросы и не ведут к решениям, чат просто добавит ещё один интерфейс к бесполезности.
AI будет уверенно объяснять мусор, находить “супер-гипотезы” и признавать ошибки после третьего уточнения.
Значит, чат не нужен?
А вот и нужен. Точнее, нужен агентский интерфейс.
Это может быть:
• чат в дашборде;
• Telegram-бот;
• Slack-бот;
• MCP-интерфейс;
• отдельный AI-ассистент.
Форма не так важна.
Важно, чтобы человек мог спросить данные обычным языком. Не искать вкладку. Не вспоминать название метрики. Не собирать фильтры руками.
А просто спросить: “что изменилось?”, “где проблема?”, “что стоит проверить?”
Такой сценарий становится всё более востребованным. И теперь отнимать его у пользователей странно. Это уже почти база.
Но просто дать чат - мало.
У него должен быть обвес. Как у любого нормального дашборда.
Во-первых, пользователь должен понимать, зачем он вообще идёт в чат.
Это могут быть:
• suggested questions;
• подсказки внутри интерфейса;
• короткая документация;
• готовые сценарии анализа;
• примеры хороших вопросов.
Не “открыл чат и сиди думай, что бы такого спросить у таблицы”.
А нормальная навигация: вот какие вопросы здесь можно разбирать, где агент полезен и какие решения он помогает принять.
Во-вторых, после ответа должно что-то происходить.
Например:
• остановка кампании;
• создание задачи;
• письмо подрядчику;
• запуск мониторинга;
• алерт в Slack или Telegram.
То есть не “поболтал с чатом и ушёл курить”.
А быстро запустил цикл обратной связи: вопрос → ответ → решение → действие → проверка результата.
Я сейчас как внешний Head of Marketing Analytics помогаю командам сетапить таких агентов для маркетинговой аналитики.
И это ни в коем случае не чат “поболтать с данными”.
Мы вместе с командами проектируем:
• какие вопросы агент помогает задавать;
• какие ответы он должен давать;
• какие действия можно запустить после ответа;
• где он обязан сказать “я не знаю”.
Потому что ценность не в том, чтобы говорить с данными. А в том, чтобы после этого что-то изменилось.
И тут возвращаемся к началу.
Если команда ищет в данных только подтверждение любимой гипотезы, AI-агент просто ускорит этот процесс. Поможет быстрее найти красивое объяснение того, что все и так хотели услышать.
Так что AI нужен. Но не в формате “давайте просто добавим чат к дашборду”. Всё как обычно: важен не интерфейс, а система, которая помогает задавать правильные вопросы и доводить ответы до решений.
AI-агент - просто новый интерфейс для этой старой задачи.
Если хотите прикрутить AI к маркетинговой аналитике без цирка и галлюцинаций - напишите в личку.
@marketing_analysis
Окей, я маркетолог. Я должен знать, как упаковать LinkedIn. Ради интереса решил заюзать бесплатного бота от Ренаты - спеца по Linkedin и фаундера CoPostly. И когда бот разобрал мой профиль - то я немного поморщился. Оказ…
Показать целиком
Окей, я маркетолог. Я должен знать, как упаковать LinkedIn.
Ради интереса решил заюзать бесплатного бота от Ренаты - спеца по Linkedin и фаундера CoPostly.
И когда бот разобрал мой профиль - то я немного поморщился.
Оказалось, заголовок рассказывает кто я, а не зачем ко мне приходить. About написан как резюме для HR, а не как питч для клиента. И контент живёт сам по себе, отдельно от профиля - как будто два разных человека.
Ну кароче - вынырнул я из галлюцинаций.
Это @copostly_audit_bot - бесплатная прожарка LinkedIn-профиля. Разбирает и профиль, и контент. Даёт конкретные фиксы, без воды.
Рекомендую попробовать для отрезвления. 🙂
@marketing_analysis
Друзья, отличная новость! Выложил новое видео! Все говорят про AI в маркетинге. Но где реальные деньги, а не 3000 рилсов в день? Я посчитал: один агент для маркетинг-аналитики освобождает 270 часов в год — и это не прост…
Показать целиком
Друзья, отличная новость! Выложил новое видео!
Все говорят про AI в маркетинге. Но где реальные деньги, а не 3000 рилсов в день?
Я посчитал: один агент для маркетинг-аналитики освобождает 270 часов в год — и это не просто экономия на зарплате. Это время на новые гипотезы, которые приносят бизнесу реальную выручку.
В видео — математика на конкретном кейсе, кому агент нужен, а кому нет, и три ключевых составляющих, без которых он не заработает.
Итак, сколько ДЕНЕГ приносит AI-агент для маркетинга?
Видео доступно для просмотра здесь:
YouTube
VK Video
Яндекс Дзен
Rutube
@marketing_analysis
CMO каждое утро вручную собирает данные. Это называется «держать руку на пульсе». 1. Давайте представим дешевую клинику. Перед операцией хирург сам стерилизует инструменты, раскладывает их, проверяет, чего хватает, чего…
Показать целиком
CMO каждое утро вручную собирает данные. Это называется «держать руку на пульсе».
1. Давайте представим дешевую клинику. Перед операцией хирург сам стерилизует инструменты, раскладывает их, проверяет, чего хватает, чего не хватает, потом идёт мыть руки и только после этого начинает операцию.
2. Формально всё ок. Операция состоится. Пациента прооперируют. Все молодцы.И даже можно сказать: «Ну зато хирург лишний раз посмотрел на инструменты. Это же полезно».
3. В маркетинге мы часто рассуждаем примерно так же. CMO открывает Meta, выгружает данные, открывает Google Ads, выгружает данные, сводит всё в таблицу, проверяет руками — и завтра повторяет то же самое. А потом это объясняют так: «Ну зато он каждый день смотрит в цифры».
4. Но! В нормальных клиниках хирург никогда не готовит инструменты! Этим занимается орперационная медсестра или стерилизационное отделение.
5. Если на ручную сборку уходит час в день, за месяц набегает около 20 часов. Допустим, CMO получает 250 000 ₽ в месяц. При 160 рабочих часах его час стоит примерно 1 560 ₽.Получается 31 000 ₽ в месяц за копипаст. Так?
6. Нет! Это только вершина айсберга. CMO не “смотрит в цифры”. Он тратит внимание на подготовку данных: открыть, выгрузить, склеить, проверить, не сломалось ли. А внимание CMO должно уходить не на сборку отчёта, а на решения: почему просела конверсия, где потеряли маржу, какой канал масштабировать, какую гипотезу закрыть.
7. Ручная сборка данных кажется полезной, потому что рядом с ней иногда происходит анализ. Но это не одно и то же. С таким же успехом можно сказать, что хирургу полезно самому стерилизовать инструменты, потому что он “лучше почувствует операцию”.
8. Когда система настроена нормально, CMO не перестаёт смотреть в цифры. Наоборот, он наконец начинает смотреть в них по-настоящему.
9. Не собирать данные, а видеть изменения. Не чинить таблицу, а принимать решения. Компания, где CMO каждое утро руками собирает отчёты, не экономит. Она просто путает контакт с цифрами и ручной труд.
Хотите, чтобы данные собирались автоматически? Начните с бесплатного урока — он объясняет путь от Excel к нормальной системе.
@marketing_analysis
Данных стало больше. Решения лучше не стали. Никто не задал вопрос: почему? 1. Библиотека, в которой книги не расставлены по полкам - это вроде как склад, а не бибилотека. Можно добавлять книги бесконечно, но работать та…
Показать целиком
Данных стало больше. Решения лучше не стали. Никто не задал вопрос: почему?
1. Библиотека, в которой книги не расставлены по полкам - это вроде как склад, а не бибилотека. Можно добавлять книги бесконечно, но работать там не не получится. Так вот большинство маркетинговых дашбордов - именно такой склад.
2. Как это обычно бывает: новые метрики добавляются «на всякий случай», старые никто не убирает. Дашборд разрастается годами. На очередном митинге команда тратит час на то, чтобы разоброаться, как это все работает и откуда берется.
3. Знаете, что самое смешное? CMO оказывается в роли главного интерпретатора: он единственный, кто пытается связать данные с решением. То есть из Head go Marketing он превращается... в переводчика с цифр на человеческий!
4. Это катастрофа: ответственный за выручку и прибыль проекта тратит время на ковыряние в циферках.
5. Но это не смертельно, это можно вылечить! Настоящая беда приходит, когда команда решает, что это проблема дашборда или сервиса: дескать поменям на другой и заживем!
6. Увы, это иллюзия. Наичнать имеет смысл не с дашборда или добавления метрик. Задаём по каждой одни и тот же вопрос - какое решение эта циферка поддерживает? Если ответа нет, метрика уходит.
7. Прикиньте: что команда должна решать еженедельно? Кто отвечает за интерпретацию? Что изменится в действиях, если цифра упадёт на 20%? Ответы на эти вопросы и есть настоящее ТЗ на аналитику. С такими я как внешний Head of Marketing Analytics работаю почти каждый день.
8. На выходе вы получите чиcтый кайф: из сорока метрик остаётся пять. Команда перестаёт обсуждать данные и начинает принимать решения. CMO больше не нужен как переводчик между отчётом и действием.
9. Короче: не соревнуйтесь в том, кто больше метрик знает. Вам нужны три ответа: какой вопрос, какая метрика, какое действие. Все.
Хотите, чтобы отчёты обновлялись автоматически и показывали только то, что нужно для решения? Начните с бесплатного урока — он объясняет путь от Excel к рабочей системе аналитики трафика.
@marketing_analysis
Ребят, как вам такой A/B-тест? Проверяли CTA-кнопку на странице подписки анонимного сервиса для пользователей из США и Великобритании: влияет ли наличие бесплатного триала на конверсию и удержание. Вариант A Кнопка «Нача…
Показать целиком
Ребят, как вам такой A/B-тест?
Проверяли CTA-кнопку на странице подписки анонимного сервиса для пользователей из США и Великобритании:
влияет ли наличие бесплатного триала на конверсию и удержание.
Вариант A
Кнопка «Начать бесплатный триал».
Вариант B
Кнопка «Зарегистрироваться» - без триала, сразу к платной подписке.
Теперь публичные и не очень A/B-тесты мы разбираем в закрытом сообществе Фабрика кейсов. Кроме того там:
• закрытые встречи с экспертами;
• обсуждение реальных кейсов участников;
• практические сессии по атрибуции, рекламе, retention, LTV, продуктовым и маркетинговым метрикам;
• ранний доступ к моим материалам до публикации в основном канале;
• черновики, идеи и разборы, которые не всегда доходят до публичного формата.
Это не чат “про аналитику вообще”, а рабочая среда для тех, кто хочет лучше понимать, где в бизнесе теряются деньги - и как находить точки роста через данные.
Доступ платный (900руб. в мес.), вступить можно по ссылке.
@marketing_analysis
Эй, народ! 🚀 Две крутые конференции стартуют прямо сегодня — для всех, кто живёт данными, маркетингом и продуктом! Сначала Measure Summit — эпицентр аналитики и data-driven роста. Я там выступаю с темой "Advanced Attribu…
Показать целиком
Эй, народ! 🚀 Две крутые конференции стартуют прямо сегодня — для всех, кто живёт данными, маркетингом и продуктом!
Сначала Measure Summit — эпицентр аналитики и data-driven роста. Я там выступаю с темой "Advanced Attribution в AI" — расскажу, как ИИ взрывает мульти-тач модели и ROI-трекинг. Будет огонь! 🔥
Регистрация: https://measuresummit.com/from/2010/
А ещё продуктовая АHА — для продактовых магов, где разбирают growth, фичи и user love. Буду говорить про BigQuery-агентов для аналитики.
Регистрация: https://clck.ru/3TFAyz. Промокод: marketinganalysis10
Кто со мной на обе? 😎 Летим покорять!
@marketing_analysis
Освободилось 2 слота на этой неделе на чекап маркетинговой аналитики за 48 часов Для e-commerce и маркетинговых команд, которые хотят понять, где теряются деньги в рекламе, трекинге и воронке. За 48 часов вы получите: •…
Показать целиком
Освободилось 2 слота на этой неделе на чекап маркетинговой аналитики за 48 часов
Для e-commerce и маркетинговых команд, которые хотят понять, где теряются деньги в рекламе, трекинге и воронке.
За 48 часов вы получите:
• аудит трекинга: что собирается, что теряется, что врёт
• анализ воронки и оценку потерь в деньгах
• гипотезы роста с приоритетами
• видеоразбор найденных проблем
• дорожную карту на 90 дней
• готовые ТЗ для подрядчика или команды
Бонусом:
• карта ключевых e-commerce метрик
• курс по маркетинговой атрибуции
• курс по сквозной аналитике для CMO
• CRO-калькулятор
Цена: 149 000 ₽ → 49 000 ₽
Гарантия: если не найдём ни одной критической ошибки в трекинге и утечек выручки - полный возврат. Без вопросов.
Если хотите забрать один из двух слотов - напишите мне в личку: @aleksignatenko
Чуваки, которые теперь занимаются AI-трансформацией, я всё понимаю Фокус меняется. Сейчас больше внимания уходит на продажи, кейсы, выступления, упаковку и попытку занять новую поляну, пока она не стала старой. И да, не…
Показать целиком
Чуваки, которые теперь занимаются AI-трансформацией, я всё понимаю
Фокус меняется. Сейчас больше внимания уходит на продажи, кейсы, выступления, упаковку и попытку занять новую поляну, пока она не стала старой.
И да, не всегда есть ресурс подниматься на helicopter view и разбирать, что происходит в индустрии.
Окей, норм.
Но когда люди, которые публично говорят про AI-трансформацию, почти не обсуждают фундаментальные для отрасли события, это вызывает вопросы.
Например, вышел манифест Jack Dorsey - From Hierarchy to Intelligence. Это ведь самая что ни на есть база про AI-дизрапшн природы организаций! Но я почти не увидел обсуждений в фиде. Возможно, они прошли мимо меня. Но если нет, это очень странно.
В статье есть очень жирный тезис: иерархия - это старый способ бороться с когнитивным трением внутри организации.
Смотрите.
Компания большая. Контекста много. Один человек не может держать всё в голове. Поэтому появляются уровни менеджмента. В какой-то момент это превращается в latency - задержку между реальностью клиента и действием компании. Задержки накапливаются - появляются когнитивные frictions и блокеры. Для нас такая неэффективность - норм. По-другому мы не умеем.
Но по-другому можно!
Дорси предлагает смотреть на компанию как на intelligence system. Любая (абсолютно любая) компания оставляет цифровой след - документы, задачи, CRM, метрики, код, встречи, решения. И появляется возможность собрать из этого модель.
А модель эта может практически в real-time понимать, что происходит, где блокеры, чего хочет клиент, какие ресурсы есть, какие решения уже приняты и что мешает сделать следующий шаг.
То есть. Компания перестаёт быть набором отделов, которые перекидывают друг другу контекст, и становится системой, которая быстрее превращает клиентское намерение в действие.
Клиенту что-то нужно - организация делает это. Не гоняет это через слои менеджмента, презентации и ручные отчёты. А считывает сигнал, собирает нужные capabilities и делает следующий шаг.
Бинго!
Нет, роботы не увольняют людей. Очень трудно забрать у человеков human judgement, вкус, сетевые эффекты и прочее.
Но менеджмент как ручная транспортировка контекста постепенно улетает на свалку истории.
Круто ж?
К чему я. От людей, которые пишут у себя “AI transformation”, хочется не только про кейсы и выступления.
Хочется понимать, что происходит в индустрии: какие новые модели компаний появляются, какие управленческие костыли перестают быть обязательными, какие роли теряют смысл, какие становятся важнее, какие тексты, исследования и white papers стоит читать, где AI снимает когнитивное трение, а где добавляет красивого хаоса.
В общем, отдавайте, ребята! Продать всегда успеете.
@marketing_analysis
Дашборд есть. Аналитик есть. Подрядчик есть. Решения всё равно принимает CMO — на глаз. 1. Вы наняли архитектора, прораба и дизайнера. Приёмку не назначил никто. Кто проверит, что всё сошлось? Правильно — вы. В ночь пере…
Показать целиком
Дашборд есть. Аналитик есть. Подрядчик есть. Решения всё равно принимает CMO — на глаз.
1. Вы наняли архитектора, прораба и дизайнера. Приёмку не назначил никто. Кто проверит, что всё сошлось? Правильно — вы. В ночь перед сдачей. Аналитика в большинстве компаний устроена точно так же.
2. Реальная картина: дашборд на 40 метрик, подрядчик по трафику, аналитик в штате. Формально — система. Фактически — ответственность за общую картину не закреплена ни за кем.
3. Когда цифры расходятся, все смотрят на CMO. Не потому что он контрол-фрик. Просто в системе нет owner'а — того, кто держит целое.
4. Это не проблема подрядчика — он делает то, на что договорились. Это архитектурная проблема: нет decision logic. Нет правила, какой вопрос → какая метрика → какое действие.
5. Я видел десятки таких компаний. Из 40 метрик на решения реально влияют 3–5. Остальные просто есть. Сюрприз-сюрприз.
6. Когда я подключаюсь как внешний Head of Marketing Analytics, мы начинаем не с инструментов. С вопросов: какие решения команда принимает еженедельно? Кто за них отвечает? Что изменится, если метрика упадёт на 20%?
7. Дальше появляется структура: ТЗ, acceptance criteria, ревью-процесс. Чёткое разделение — кто строит, кто принимает, кто использует.
8. Роль CMO меняется: он перестаёт быть последней линией проверки. Видит 3–5 метрик, которые влияют на решения. Остальное — без его участия.
9. Хорошая аналитика — это не когда данных много. Это когда понятно, кто отвечает за качество и что делать, если что-то пошло не так. Всё остальное — музей графиков.
Хотите, чтобы аналитика работала без вашего постоянного участия? Начните с бесплатного гайда — там про фундамент, без которого любой дашборд бесполезен.
@marketing_analysis
Друзья! Я записал самый полный практический курс по аналитике для маркетологов — и он уже здесь 👇 Маркетолог без аналитика в штате — это боль, которую я прошёл сам. В этом курсе — только практика: как проверить свою анал…
Показать целиком
Друзья! Я записал самый полный практический курс по аналитике для маркетологов — и он уже здесь 👇
Маркетолог без аналитика в штате — это боль, которую я прошёл сам. В этом курсе — только практика: как проверить свою аналитику за час, избавиться от ручных отчётов, понять, сливаете ли вы бюджет, и настроить AI-агента для работы с данными.
Собрал только кейсы с конкретными шагами. Плюс чек-листы, шаблоны ТЗ и бесплатные видеоуроки в документе под видео.
Пройдите курс — и 90% задач с данными закроете сами.
Курс доступен к просмотру здесь:
YouTube
VK Video
Яндекс Дзен
Rutube
@marketing_analysis
🎙 Good news, everyone! «Модель Атрибуции Александра Игнатенко» теперь доступен как подкаст на всех популярных платформах. Те же разборы, инсайты и практика по маркетингу и аналитике. Выбирайте удобную платформу: 🎧 Яндекс…
Показать целиком
🎙 Good news, everyone!
«Модель Атрибуции Александра Игнатенко» теперь доступен как подкаст на всех популярных платформах.
Те же разборы, инсайты и практика по маркетингу и аналитике.
Выбирайте удобную платформу:
🎧 Яндекс Музыка
🎧 Spotify
🎧 Звук
🎧 Deezer
🎧 Pocket Casts
🎧 Podcast Addict
🎧 SoundStream
🎧 Mave
👉 Или слушайте прямо здесь в Telegram.
Подписывайтесь, чтобы не пропускать новые выпуски.
Хотите принять участие в выпуске? Напишите в личку.
@marketing_analysis
AI не заменит аналитиков Но часть аналитиков заменят аналитики, которые умеют работать с AI. Давайте ещё раз. Помедленнеее. У Эрика Вебера есть хорошая мысль: data jobs aren’t dying, they’re splitting. То есть аналитики…
Показать целиком
AI не заменит аналитиков
Но часть аналитиков заменят аналитики, которые умеют работать с AI.
Давайте ещё раз. Помедленнеее.
У Эрика Вебера есть хорошая мысль: data jobs aren’t dying, they’re splitting. То есть аналитики не исчезают. Но профессия реально раскалывается на две части.
Первая - аналитик, который с помощью AI быстрее делает старое-доброе:
• пишет SQL
• собирает дашборды
• чистит данные
• склеивает пайплайны
• генерирует “инсайты” уровня: “в апреле выручка выросла, потому что стало больше покупок”. Спасибо, капитан.
Это всё ещё нужно. Но именно эта часть будет дешеветь. Потому что AI делает execution быстрее, спокойнее и без драматичного “я сегодня не в ресурсе”.
Вторая - аналитик, который понимает, какую работу вообще стоит делать:
• что измерять
• зачем это измерять
• какой бизнес-вопрос мы решаем
• где метрика врёт
• какой вывод достаточно надёжен
• какое решение команда примет после анализа
Вот это становится ценнее. И это ровно то, что я стараюсь делать как внешний Head of Marketing Analytics. Не просто “сделать ещё один отчёт”. А помочь команде понять:
• какие вопросы реально важны для роста
• какие метрики влияют на решения, а какие просто красиво смотрятся
• где аналитика помогает зарабатывать деньги, а где только создаёт ощущение контроля
• что стоит автоматизировать через AI, а что нельзя отдавать модели без человеческого judgment
• какие гипотезы проверять дальше
Потому что когда построить отчёт становится легко, главным навыком становится не “уметь построить отчёт”. Главным навыком становится понять, какой отчёт вообще нужен.
AI сделает data-продукты почти бесплатными в производстве. Звучит прекрасно. Но есть нюанс.
Вместо кладбища неиспользуемых дашбордов мы можем получить кладбище AI-агентов, автоотчётов и data-приложений, которые тоже никому не нужны. Просто теперь они будут появляться быстрее и с красивыми иконками.
Проблема ведь часто была не в том, что команда медленно строила аналитику. Проблема была в том, что никто толком не понимал, зачем она нужна.
Поэтому вопрос не “заменит ли меня AI?” Вопрос другой: я просто ускоряю старую работу или помогаю бизнесу понять, какую работу стоит делать?
Первое постепенно становится commodity. Второе - новая зона ценности аналитика.
А вы как думаете: что в работе аналитика AI заберёт первым, а что наоборот станет ценнее?
Источник: Eric Weber, “Data Jobs Aren’t Dying. They’re Splitting”
https://ericdataproduct.substack.com/p/data-jobs-arent-dying-theyre-splitting
@marketing_analysis
Представьте себе В компании накопилось много данных. История изменений, пользователей, продаж, событий. Вроде б круто. Но использовать это сложно: • данные лежат в разных системах • отчёты ломаются • несостыковки невозмо…
Показать целиком
Представьте себе
В компании накопилось много данных. История изменений, пользователей, продаж, событий.
Вроде б круто. Но использовать это сложно:
• данные лежат в разных системах
• отчёты ломаются
• несостыковки невозможно проверить
• каждый вопрос начинается с выгрузки
Данные как бы есть, но не работают . Каждый митинг начинается почти с нуля. Команда разбирается в дырах вместо того, чтобы работать над KPI.
Я - как внешний Head of Marketing Analytics - выстраивал такие подходы в десятках проектов с долгой историей данных. Моя работа - забрать у вас головную боль от кривых данных и помочь заниматься самым важным - больше зарабатывать и меньше тратить.
Если хочешь понять, как превратить накопленные данные в рабочий инструмент - приходи на бесплатную консультацию.
Разберём твою ситуацию шаг за шагом.
👉 https://go.add-2-cart.online/meeting
@marketing_analysis
Три подрядчика. Три разных числа конверсий. И все трое правы. 1. Квантовая механика допускает, что частица может находиться в нескольких состояниях одновременно. В маркетинговой аналитике без единого стандарта атрибуции…
Показать целиком
Три подрядчика. Три разных числа конверсий. И все трое правы.
1. Квантовая механика допускает, что частица может находиться в нескольких состояниях одновременно. В маркетинговой аналитике без единого стандарта атрибуции конверсии работают точно так же.
2. Далеко ходить не надо, реальная ситуация: квартальный отчёт. SEO-агентство засчитало себе конверсии, которые performance-агентство считало своими. CRM выдавала третью цифру. Три источника, три правды. В одном из них сумма «вкладов» всех каналов превышала реальное число сделок в полтора раза. Сюрприз-сюрприз!
3. Проблема не только в том, что цифры разные. Проблема в том, что внимание команды уходит не на рост, а на разбор отчётов. Вместо «какую гипотезу проверяем дальше?» начинается «почему здесь 47 конверсий, здесь 63, а здесь 39?»
4. И вот главный вопрос: как распределять бюджет, если непонятно, какой канал реально работает? Ответ - никак. Вы либо угадываете, либо делите поровну, либо верите тому подрядчику, чей отчёт выглядит убедительнее. Все три варианта плохие.
5. Выход только один: единая модель атрибуции, один источник данных для сравнения всех каналов, единые правила для всех подрядчиков. Тогда вопрос «кто принёс результат?» перестаёт быть дипломатическим. Но есть нюанс.
6. Скорее всего, в ваших KPI описаны какие-то метрики: лиды, продажи, выручка. Но бьюсь об заклад - нет там ни слова про модели атрибуции.
7. Сколько недель нужно, чтобы привести атрибуцию к порядку? С адекватным подрядчиком обычно одна-две.
8. Сколько денег теряется, если вы занимваетесь этим вместо чего-то важного? Считайте сами. Квантовая механика. Ничего личного)
Хотите, чтобы данные из разных систем говорили одно и то же? Начните с бесплатного урока — он объясняет путь от Excel к нормальной системе.
@marketing_analysis
Как ставить задачи AI-агенту, чтобы он не нёс чушь? Я сейчас сетаплю нескольким клиентам AI-агентов для маркетинг-аналитики, и за последнее время у нас начало складываться практическое понимание, как им вообще нужно став…
Показать целиком
Как ставить задачи AI-агенту, чтобы он не нёс чушь?
Я сейчас сетаплю нескольким клиентам AI-агентов для маркетинг-аналитики, и за последнее время у нас начало складываться практическое понимание, как им вообще нужно ставить задачи.
Мы уже нащупали несколько рабочих принципов, но есть мысль Ильи Красинского, которая усилила их.
Смотрите.
Задачу агенту можно поставить так: «Сделай X».
Можно чуть лучше: «Сделай X и верни мне противоречия, вопросы и быстрые победы».
Но по-настоящему рабочий вариант такой: «Сделай X. Потом опровергни свой результат».
Почему это важно?
Проблема LLM не в том, что она глупая. Проблема в том, как работает её внимание. Модель не изучает ваш запрос посимвольно, а сразу смотрит на весь запрос-контекст и пытается собрать из него наиболее связную и вероятную линию ответа. Если в постановке нет чанков сомнения, проверки и альтернатив, она почти не получает сигнала на атаку гипотезы.
То есть - агент становится заложником механики самовнимания: не проверяет мысль, а достраивает её до убедительного вида.
Поэтому агенту полезно ставить не только задачу на выполнение, но и задачу на
фальсификацию.
Это, по сути, один из факторов научного познания: сила гипотезы не в том, что она всё красиво объясняет, а в том, что её вообще можно опровергнуть. Фальсифицируемость не ослабляет гипотезу, а делает её сильнее.
Что можно просить у агента:
- выписать допущения
- найти, что он не учёл
- назвать 3 причины, почему решение не сработает
- проверить альтернативные объяснения
- показать, где получился не результат, а его имитация
Не так: «Сделай анализ retention и предложи, как его поднять».
А так: «Сделай анализ retention. Потом опровергни свои выводы: найди 5 причин, почему гипотеза может быть ложной, проверь альтернативные объяснения и отдельно выпиши, что ты не проверил».
Хороший агент - это не порядочный исполнитель. Это ваш leverage. Но без критики он будет старательно тащить вас по дорожке эмпатии - и не факт, что к результату.
Пользуетесь уже таким приёмом с агентами? Давайте обсудим в комментариях!
@marketing_analysis
Миграция на новую аналитику "без потерь" — и почему год данных всё равно сгорел. 1. Как вам такой финт? Прежде чем что-то «улучшить» в аналитике, нужно понять, что именно сломается после этого «улучшения». Особенно если…
Показать целиком
Миграция на новую аналитику "без потерь" — и почему год данных всё равно сгорел.
1. Как вам такой финт? Прежде чем что-то «улучшить» в аналитике, нужно понять, что именно сломается после этого «улучшения». Особенно если меняем платформу.
2. Сколько раз так было. Команда решила перейти c GA4 на Метрику - аккуратно, без резких движений, запустив обе системы параллельно. Казалось разумным: сравним, убедимся, переключимся.
3. Что получили: метрики в двух системах расходились принципиально. Сессии считались иначе. Атрибуция работала по другой логике. Исторические данные оказались несопоставимы с новыми. Год накопленной аналитики - в мусор. Такие дела.
4. Системы аналитики не копируют друг друга «по аналогии». Более того - они спроектированы так, чтобы переезд к соседям был сродни разводу: или я, или они.
5. Намерение-то верное - переход на отечественные рельсы неизбежен, если вы внутри российского контура. Но процесс требует экспертизы, которая сможет поженить техничку с управленческими требованиями к аналитике.
6. Перед любой миграцией делайте ревью: что изменит логику расчёта, какие отчёты завязаны на истории, где нужен пересчёт, что безвозвратно потеряем. Не стесняйтесь привлекать экспертизу, скупой платит всегда дважды.
7. Скорость миграции - не ОК. Управляемость перехода - вот что важно.
Если переход на новую аналитику кажется сложным - начните с бесплатного гайда. Там всё по шагам.
@marketing_analysis
Почему данные не превращаются в управленческие решения? 1. Есть такой парадокс: чем больше отчётов, тем чаще решения принимаются «по ощущениям». Не знаю как вы, я вижу такое через раз. 2. Например. Отчёты - не проблема,…
Показать целиком
Почему данные не превращаются в управленческие решения?
1. Есть такой парадокс: чем больше отчётов, тем чаще решения принимаются «по ощущениям». Не знаю как вы, я вижу такое через раз.
2. Например. Отчёты - не проблема, цифры обновляются, ни кого такой красотой уже не удивишь. Формально все выглядит data-driven 80 lvl.
3. Все меняется в момент выбора - куда идти дальше, что резать, что масштабировать - данные внезапно отходят на второй план. И на первый выходит старая добрая чуйка.
4. Аналитика - она ж как? Отвечает на вопрос «что произошло», но не встроена в процесс выбора действий. И пока мы смотрим в прошлое - довереяем ей. Потому что прошлое - это не страшно.
5. Но когда каждый отчёт заканчивается обсуждением, а решение принимается без опоры на цифры - становится не по себе.
6. В чем смысл работать с метриками, если они не связаны с конкретными действиями? Быть data-driven на бумаге? Камон...
7. Рабочая аналитика начинается там, где у данных есть доверие. Пока им не верят - чуйка всегда будет перформить лучше.
8. Вернуть уверенность в данных - тяжелая работа, но она стоит того. Иначе цифры так и будут существовать отдельно от решений - как и в том парадоксе, что описан выше.
Если отчёты есть, а уверенности в цифрах — нет? Бесплатный гайд поможет выстроить нормальную систему аналитики.
@marketing_analysis
Принципы важнее тактик Помните, Феррис в своё время написал "4-часовую рабочую неделю"? Вся книжка звучала как волшебная таблетка. И миллионы тогда кинулись искать ассистентов на Филиппинах. Ассистенты на Филиппинах... К…
Показать целиком
Принципы важнее тактик
Помните, Феррис в своё время написал "4-часовую рабочую неделю"? Вся книжка звучала как волшебная таблетка. И миллионы тогда кинулись искать ассистентов на Филиппинах.
Ассистенты на Филиппинах... Как поверить, что это действительно когда-то происходило в нашей Вселенной?
Но я о другом. Признаюсь, устал от рецептов успеха. "5 шагов к product-market fit." "7 техник конверсии." У меня 200 закладок, 47 видео в Watch Later и канал в Telegram с "полезным". Ни разу не открыл. У вас так же?
Проблема не в техниках. Проблема в том, что мы склонны копировать, не понимая, почему и в каком контексте это применимо. А повторять тактику без понимания принципа - это по сути YouTube-тренировка с выключенным звуком. Выглядит похоже. Не работает.
Я это к чему. Елена Верна из Lovable недавно опубликовала пост про пять техник retention. Каждая вроде работает. Каждая дала рост. Но самое ценное не это. Самый кайф - два принципа работы с метрикой retention в конце.
Первый: retention-тесты требуют времени. Если вы задумались об улучшениях, будьте готовы без шуток изолировать контроль надолго. И будьте готовы ждать. А это ой как непросто.
Второй: retention контринтуитивен. Чтобы удержать людей вдолгую, нужно давать им ценность, по-другому не бывает. А это очень часто связано с short-term игрой против себя: бесплатные кредиты, продуктовые бандлы, дешёвые lite-планы для отказников и так далее. Контринтуитивно, но именно это работает.
Короче. В топку списки how-to, мне нужны принципы.
Тактики - бумажный груз в папке "разобрать потом". Принципы - то, что записываешь, потому что чувствуешь: это обязательно стоит покрутить.
Когда вижу очередной список тактик, ищу в нём принцип. Нет принципа - закрываю. Есть - фиксирую только его.
Сколько списков "Лучших способов..." вы сохранили за последний месяц? И сколько реально применили?
Почему никто не может сказать, что данным можно доверять? 1. Есть один вопрос, очень тревожный. Прикол в том, что звучит он как сомнение: «А этим данным можно верить?» 2. Это всегда было странным ощущением. И раньше - в…
Показать целиком
Почему никто не может сказать, что данным можно доверять?
1. Есть один вопрос, очень тревожный. Прикол в том, что звучит он как сомнение: «А этим данным можно верить?»
2. Это всегда было странным ощущением. И раньше - в найме. И сейчас - когда я внешний Head of Analytics. Формально цифры есть, отчёты есть, дашборды работают.
3. Но при прямом вопросе все ломается - люди начинают уходить в детали, оговорки и пояснения. Ну как так?
4. Причина как правило на поверхности: данные живут в разных источниках и логиках.
5. Вы удивитесь, но доверие теряется не из-за ошибок, ему просто изначально неоткуда взяться.
6. Расклад такой - доверие не возникает само. Оно строится на прозрачных правилах, повторяемых процессах и стабильности.
7. Если никто не понимает, что значат метрики, события или параметры - какое уж тут доверие.
8. Потратьте время или привлеките кого-то для обучения и документации - дальше будет гораздо легче.
Не знаете, с чего начать? Можно сделать первый шаг - к автоматизации. Бесплатный видеоурок покажет, как выйти из Excel-замкнутого круга.
@marketing_analysis
Кому больше всего пригодились ИИ-агенты? Тем, кто давно привык вытаскивать мысли из головы и класть их в текст. Ну и кто этим занимался годами? Я. Лет десять я каждый день пишу такой разбор полетов: что сработало, что не…
Показать целиком
Кому больше всего пригодились ИИ-агенты? Тем, кто давно привык вытаскивать мысли из головы и класть их в текст.
Ну и кто этим занимался годами? Я.
Лет десять я каждый день пишу такой разбор полетов: что сработало, что нет, что пугает, чему научился. Каждый день, без пропусков. Теги, заметки, все дела. Полезно? Безусловно. Требует ли это дисциплины? Еще как!
А потом появились агенты. И вот тут эта занудная привычка внезапно превратилась в оружие.
Сейчас я просто говорю. Иду куда-то, что-то прочел, с кем-то поболтал, мысль поймал - накидал голосовушку. Она транскрибируется, падает в граф знаний в Roam Research, тегируется. Никакого набора текста, никакого геморроя. Мысль пришла - мысль записана. Все.
Потом раз в неделю прошу агента пролистать все что я наговорил и сказать мне три вещи:
1. Какой у меня прямо сейчас фокус (спасибо Микаэлу Яну за находку)?
2. Какие противоречия? С моими целями, с тем что уже есть в GOALS md? Туда ли я бегу куда хочу? Насколько быстро?
3. 10 quick wins, которые можно сделать прямо сейчас, чтобы приблизиться к моими целевым стейтам. Еще раз - он знает мои реальные цели - не какое-то там "буду эффективнее", а конкретно - где я хочу оказаться в конце года.
Но я не беру все десять и бегу делать. Обычно реально отзываются одна-две. И нормально, это обратная связь, а не руководство к действию.
Ценнее другое. Например, на прошлой неделе агент разобрал 55 записей и нашел 5 общих тем. Оказалось, я писал про один и тот же страх с пяти разных сторон и не догонял. Он увидел обобщение. Я - нет.
Ирония такая: десять лет я думал, что просто приучаю себя к дисциплине. А на самом деле тренировал датасет. Каждая запись, каждая мысль с тегом - все это был контекст для агента, которого еще не существовало.
Как начать самому? Ответ скучный: просто начни записывать. Не для агента, для себя. Пишите больше и детальнее - нельзя отдать на аутсорс ясность, которой у тебя не было. Вот такие дела.
А как вы эксплуатируете своих агентов?
@marketing_analysis
Почему CMO приходится доказывать цифры, а не принимать по ним решения? 1. Вам никогда не приходило в голову, что встреча по маркетингу иногда больше похожа на судебное заседание? Сейчас объясню. 2. Представьте, что вмест…
Показать целиком
Почему CMO приходится доказывать цифры, а не принимать по ним решения?
1. Вам никогда не приходило в голову, что встреча по маркетингу иногда больше похожа на судебное заседание? Сейчас объясню.
2. Представьте, что вместо того чтобы обсуждать, что делать дальше, все начинают разбирать другое дело: откуда цифры, почему именно такие, можно ли им вообще верить.
3. И CMO в этот момент часто оказывается не тем, кто управляет, а тем, кто вынужден что-то доказывать. Ну типо как адвокат у своих же данных.
4. Когда работал в найме - не раз ловил себя на этом. Половина разговора уходит не на выводы и решения, а на объяснение источников, логики расчёта и допущений. Сейчас я - внешний Head of Marketing Analytics, но разбивка примерно та же.
5. Почему это происходит? Нет, не потому, что все вокруг тупые. Сама система непрозрачна. Если непонятно, как данные собираются, как считаются, то и воспринимаются онине как опора, а как одна из версий реальности.
6. И это самая жопа - аналитика по сути начинает не ускорять управление, а тормозить его. Каждый новый отчёт превращается в очередную попытку доказать, что цифры вообще настоящие.
7. Тратить жизнь команды на разбор, почему цифры не бьются? Нет, это не ок! Но это несмертельно.
8. Начните с инвестиций в прозрачную логику расчётов, понятные источники и единые правила. Вскоре цифры перестают быть предметом спора. На них наконец можно будет опираться.
Не знаете, с чего начать? Начните с базы. Бесплатный гайд по аналитике поможет разобрать хаос.
@marketing_analysis
AI - философский камень Это метафора, которую вкинул Марк Андриссен на последнем интервью Ленни Рачицки. Ну вот смотрите. Средневековые алхимики столетиями бились над тем, чтобы превратить свинец в золото. Люди реально т…
Показать целиком
AI - философский камень
Это метафора, которую вкинул Марк Андриссен на последнем интервью Ленни Рачицки.
Ну вот смотрите. Средневековые алхимики столетиями бились над тем, чтобы превратить свинец в золото. Люди реально тратили на это жизни. Некоторые сходили с ума. Сама идея стала синонимом чего-то невозможного.
А мы берем песок из карьера. Плавим в кремний. Режем на чипы. И получаем машину, которая реально думает. Ну, нормально.
Одна из самых распространенных структур в мире - песок. Самая редкая - мысль. И мы одно превращаем в другое. Каждый день. Алхимики хотели дешевый металл в дорогой, а мы - камни в мышление. Причем это не красивая аналогия, это прямо вот буквально так и работает в каждом дата-центре.
Только мы этого вообще не замечаем. Открываем ChatGPT и хныкаем - ну тупооооой. Носим в кармане экстракт из Эйнштейна и ноем о батарейке и об экране. 30 лет назад это была бы магия. Сейчас - вторник. Такие дела.
И вот думеры. AI заберет работу. AI опасен. Все пропало. Ребят, подождите. Мы только что сделали то, о чем мечтали буквально сотни лет. А реакция - фрустрация и паника?
Это как если бы алхимик наконец получил свое золото и сказал: "Пу-пу-пу... Блестеть конечно могло бы и получше...".
Философский камень существует. Стоит в серверной стойке, жрет электричество. А мы спорим, хорошо это или плохо. Может, для начала стоит хотя бы офигеть?
@marketing_analysis
Когда цифры “приблизительные” Разница между интерфейсом и выгрузкой - это не магия, а сэмплинг и детали, в которых легко потеряться, если не понимать, что именно считаешь. Тоже сталкивались с таким “приблизительно точным…
Показать целиком
Когда цифры “приблизительные”
Разница между интерфейсом и выгрузкой - это не магия, а сэмплинг и детали, в которых легко потеряться, если не понимать, что именно считаешь.
Тоже сталкивались с таким “приблизительно точным” отчётом?
