Модель атрибуции

Что делать, если AI советует "проанализировать глубже", а бюджет горит уже сейчас? Три простых сигналаВ 1976 году Конкорд решился на авантюру - вышел на коммерческие маршруты, уже зная, что это не окупится. Британское и французское правительства продолжали вливать деньги ещё 27 лет – потому что уже вложено. Психологи назвали это "ошибкой Конкорда", или эффектом невозвратных затрат. В маркетинге это называется "давай ещё покрутим".Представье картимну: третья неделя, CAC растёт, ROAS падает. Первая стадия - паника. Вторая - вопрос к Chat GPT разобраться – он выдаёт список гипотез и рекомендует "протестировать". Ещё две недели. Ещё один чат. Бюджет продолжает гореть.ИИ в этой ситуации не помогает принять решение – он помогает отложить их и пообщаться еще. Его деньги - это ваши токены.В своё время в найме у меня кампания крутилась четыре месяца с отрицательной юнит-экономикой. Каждый раз находилась причина продолжать: то сезонность, то тест не завершён, то "алгоритм обучается". Когда разобрались – оказалось, что канал никогда не давал оплат, только лиды с нулевым LTV.Реально - одни нули!У нас не было рамок принятия решений. Без них любой AI-анализ – это обоснование продолжать.Где нейросеть реально помогает: автоматизировать мониторинг сигналов. Агент смотрит на данные каждый день и присылает алерт – не анализирует бесконечно, а сигналит конкретно.Три сигнала выключить прямо сейчас, не ждать анализа:1. CAC превышает таргет 2 недели подряд – смотришь в CRM, не в кабинете.2. Конверсия в оплату не вползает в таргет месяц, несмотря на изменения в кампании.3. В кабинете хороший ROAS, но в CRM ноль оплат из этого источника.Если хотя бы один пункт совпал – это не гипотеза для теста. Это сигнал.Конкорд сделал последний рейс в октябре 2003 года. Не потому что сломался – потому что кто-то наконец принял решение остановить. Твои кампании не обязаны ждать 27 лет.Если кампании крутятся, а бюджет горит уже третью неделю – посмотри бесплатный урок о том, как подключить AI-агента к мар

Как проверить воронку за один час и не утонуть в 40 графиках, выгрузках и советах от AI?Был такой британский психолог Уильям Хик. И однажды вот что он сказал: время принятия решения растёт логарифмически с количеством вариантов. Тестировал на клавишах Морзе. Сейчас объясню, к чему я.Пятница, 17:00. Нужно понять, что происходит с воронкой. Открываешь счетчики – 12 отчётов. Рекламный кабинет – ещё 8. По старой доброй корпоративной традиции экспортируешь CSV. Просишь нейросеть проанализировать – она выдаёт 15 пунктов с подпунктами - этаки пракет с пакетами. Час прошёл, мы почувствовали себя вайбкодерами, а что делать – до сих пор непонятно.Может показаться, что это проблема плохого контекста. Или модели. Увы, но проблема в том, что начинается она решаться не с того края.Ко мне приходят с очень понятной задачей: "разобраться, почему упали лиды". Багаж при этом примерно такой: три дашборда, два агентства, Claude с историей переписки на 40 чатов. Каждый инструмент отвечает за свой кусок, картина целиком не собирается. Прикол в том, что практически всегда достаточно сократить обзор до трёх точек: где воронка теряет людей, на каком шаге это началось и сколько это стоит в деньгах.И для этого не надо пилить векторный поиск!Попробуйте так:1. Выбери одну метрику, напрямую связанную с деньгами: выручка, конверсия в оплату, CAC. Всё остальное – контекст. Вычищи датасет с этой метрикой.2. Найди самое большое отклонение от прошлого периода. Не смотри всё – ищи аномалию. Не ищи сам - дай датасет агенту.3. Сформулируй гипотезу в одном предложении: "Мы теряем на шаге X, потому что Y." Только потом иди в детали.4. Попроси модель проверить гипотезу, а не придумать её. Загрузи данные конкретного шага: "Что подтверждает или опровергает это?"5. Зафиксируй вывод и одно следующее действие. Не список – одно.5 шагов - это не так страшно да? Хик доказал это на клавишах Морзе. Сорок графиков не делают тебя умнее. Они делают тебя медленнее.Сколько времени у вас уходит на последний такой разбор –

5 способов понять, какой канал реально приносит деньги с Chat GPT и без негоКто сказал "Половина моих рекламных денег тратится впустую? Может Форд, может Джон Ванамейкер – но было это давно. Прошло с тех пор много лет, появились рекламные кабинеты, CRM, ChatGPT. Проблема никуда не ушла.Интересно, а Форд видел что-то подобное? Каждый канал показывает хороший ROAS - в своём кабинете. Яндекс говорит - 4х. ВКонтакте - 3.5х. И так далее. А план по выручке не выполнен.Разные кабинеты между собой не дружат. Ну ок, думаешь – я не динозавр, дам нейросети, она разберётся. Увы - не разберётся. Каждая платформа посчитает атрибуцию в свою пользу, а ИИ просто перескажет эти цифры.Помню как сейчас: контекст давал самый низкий CPL, его масштабировали – а в CRM оказалось, что LTV этих клиентов мягко говоря так себе. Залетный трафик - такое бывает. Так вот, как с этим разобраться сейчас, когда столько AI-инструментов?Есть 5 простых шагов:1. Свяжи клик с оплатой через UTM-метки или идентификтары клика. Смотри не на лиды в кабинете, а на оплаченных клиентов в CRM.2. Посчитай LTV по источнику привлечения. Клиенты из разных мест платят по-разному. Google Sheets + выгрузка из CRM + несколько детальных промптов – этого достаточно для старта.3. Сравни CAC с LTV по каждому источнику. Не стоимость лида, а стоимость реального клиента. Заставь свою модель сомневаться.4. Найди корреляцию расходов и выручки по периодам. Поднял бюджет в апреле – выросла ли выручка через месяц? Если нет - стоит разобраться почему. 5. Вот тут есть простор для ИИ - выдай ему контекст проблемы, бизнеса, задачи и ограничения. Где ИИ реально усиливает: когда данные сведены в одну таблицу, модель быстро считает когорты, ищет аномалии, пишет SQL для выгрузки из BigQuery. Без этой базы - пишет красивые байкиЗнаете, в чем нам повезло? Форд не имел данных. У тебя они есть. Осталось смотреть на нужные.Записал урок про то, как настроить агента, который сам собирает метрики по каналам из данных и присылает в Telegram – без руч

95% аналитики в Anthropic делает Claude. Но прикол оказался не в ClaudeДруг скинул статью Anthropic про то, как они автоматизировали аналитику через Claude.Цифра красивая: 95% запросов к данным у них теперь закрывает AI.Сначала читаешь и думаешь: ну все, приехали.Сейчас каждый менеджер будет сам спрашивать базу данных, получать графики, делать выводы, и аналитики больше не нужны.Но дальше начинается самое интересное.Claude стал точным не из-за магии SQL.SQL - это вообще не самая большая проблема.Большая проблема - понять, что считать.Например, человек спрашивает:“Сколько у нас активных пользователей?”Нормально звучит.Только дальше начинается веселье.Активный - это кто?Кто зашел?Кто нажал кнопку?Кто купил?Кто вернулся за 7 дней?А фрод выкидываем?А тестовые аккаунты?А сотрудников?Если это нигде нормально не описано, AI сделает что?Правильно.Уверенно выберет какой-нибудь вариант.Только вывод может быть мимо.И это, по-моему, самый неприятный тип ошибки в аналитике.Когда все выглядит умно, но по факту бла-бла-бла.Что сделали Anthropic?Они сначала описали правила игры:• какие таблицы главные• как считаются метрики• где свежие данные• кто отвечает за метрику• какие ошибки часто бывают• как проверять ответТам есть умные слова типа semantic layer, evals, provenance.Но если по-простому:semantic layer - “как мы официально считаем метрики”.evals - “проверочные вопросы, где мы знаем правильный ответ”.provenance - “откуда взялось число и можно ли ему верить”.После этого Claude начал нормально отвечать.Без таких правил точность была до 21%.Со skills - выше 95%.Вот это уже интересно.Получается, AI-аналитик проверяет, насколько у компании вообще в порядке аналитика.Если метрики описаны - AI ускоряет работу.Если в метриках хаос - AI делает хаос быстрее и увереннее.Вопрос: как думаете, что сейчас больше мешает компаниям внедрять AI-аналитиков - слабые модели или бардак в данных?@marketing_analysis

5 вопросов, которые нужно задать Chat GPT до “что у нас происходит?”"Мусор на входе – мусор на выходе" ("Garbage In, Garbage Out”). Это сформулировал техник и инструктор IBM Джордж Фёхсель в конце 1950-х про ранние компьютеры. Шестьдесят лет прошло, наши компьютеры прокачались.Но ребят..."Что у нас происходит?" – не задача для данных. Это сигнал, что задача ещё не сформулирована.Как это сейчас работает: вставляешь выгрузку из рекламного кабинета, пишешь "проанализируй". Получаешь аккуратный текст про тренды, метрики, возможные причины. Звучит убедительно.Но нам нужно не правдоподобие ответов! Деньги надо.Одна из команд клиента завела себе практику: каждый понедельник скармливали недельный отчёт нейросети, получали резюме на полстраницы. Красиво.Только до решений ничего из этих резюме не доходило. На двадцатый раз я не выдержал. Зачем валидировать через агента то, что со 100% вероятностью останется в столе?Пять формулировок, которые работают, прежде чем идти к ИИ:1. Что изменилось за последние 2 недели и в какую сторону? Ищешь аномалию, не обзор.2. На каком шаге воронки прямо сейчас теряются деньги? Сколько? Конкретный шаг, не общая картина.3. Вот наши таргеты, вот данные и вот что мы сделали. Какие здесь противоречия?4. Какие вопросы мне нужно задать и кому, чтобы приблизиться к своим таргетам?5. Найди ошибки в своих ответах.Когда есть такая рамка – ИИ реально помогает: проверяет гипотезы, считает отклонения, ищет паттерны. Без неё просто упаковывает твой мусор в красивый абзац.Фёхсель придумал GIGO для ранних компьютеров. Но когда пишешь нейросети "что у нас происходит?" – та же история, только дороже.Короче - прекращайте жечь токены.Кстати, у меня есть бесплатный урок про то, как настроить агента, который сам задаёт правильные формулировки и присылает ответы в Slack или Telegram. Ссылка тут.@marketing_analysis

Что делать, если подрядчик показывает красивые метрики, AI их пересказывает, а денег в кассе больше не становится? Пошаговый планПо 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 деньгиПомните, 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 секундДва 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 дядек. А потом открываешь CRM и видишь одиннадцать вариантов google / cpc:google / cpcGoogle / CPCgoogle_ads / paidgads / cpcgoogle / 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 таблицеА 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 маги

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 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:YouTubeVK VideoЯндекс ДзенRutube@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 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, чтоб

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.@marke

Ребят, через 15 мин начинаю выступать на AHA-26. Подключайтесь - https://clck.ru/3TFAyz

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 AКнопка «Начать бесплатный триал».Вариант BКнопка «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 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: marketinganalysis10Кто со мной на обе? 😎 Летим покорять!@marketing_analysis

Освободилось 2 слота на этой неделе на чекап маркетинговой аналитики за 48 часовДля 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 командыБонусом:• карта ключевых e-commerce метрик• курс по маркетинговой атрибуции• курс по сквозной аналитике для CMO• CRO-калькуляторЦена: 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 понимаюФокус 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 увольняю

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