🦊 Склеить две модели атрибуции — а что такого?
[Модель Маркова-Шепли, часть 4: торг]
В первом посте серии мы писали:
С пунктом а) разобрались: Шепли корректно работает сразу и с медийкой, и с перформом, тогда как марковский подход применим к чему-то одному.
Теперь перейдём к пункту б) — вопросу ресурсов. Именно из-за их отсутствия внедрение такой системы окончательно теряет смысл, когда мы приземляем всё на практику.
1️⃣ Отсутствие времени, денег и вычислительных ресурсов. Чтобы получать хоть сколько-то применимые к оптимизации результаты, Шепли и Маркова нужно считать каждый день, причём на разном сырье.
У них принципиально разные требования к данным:
• Шепли работает с цепочками закончившихся конверсий.
• Марков — с уникальными взаимодействиями.
Это два совершенно разных датасета, и считать их параллельно и одновременно стоит как золотой мост.
2️⃣ Главное: проблема оптимизации. Как применять это усреднённое значение на практике? Если по одной модели канал X показывает 0 конверсий, а по другой 100, 50, да пусть даже 10, как можно полагаться на среднее арифметическое при распределении бюджета? Пан или пропал?
Система существует сама по себе, отдельно от бизнеса. Никто не пытается довести её до оптимизации.
Гипотетически это могло бы работать, если бы одна модель использовалась строго для performance, а другая — строго для медийки.
В теории есть бесконечные вычислительные ресурсы, время на анализ, сильная команда аналитиков и чёткое понимание, зачем вообще это всё считается.
Но реальность показывает другое⤵️
Модель Маркова-Шепли противоречит логике так же, как модель Первого-последнего касания*. Рынок должен упрощать жизнь рекламодателей, а не давать им веер из моделей, заодно создавая свои, сомнительные методы оценки рекламы.
* —мы же не подкинули им идею?
👉 Поэтому торг здесь не уместен — для оптимизации можно использовать результаты только одной модели атрибуции. Какой — выбираете вы сами. Но выбрать надо что-то одно.
Подробнее: Выбираем подходящую модель атрибуции для бизнеса
#атрибуция_просто #мифы #онтоп
[Модель Маркова-Шепли, часть 4: торг]
В первом посте серии мы писали:
❌ На практике нельзя использовать результаты разных моделей атрибуции для оптимизации — только в теории.
И даже так это будет возможно лишь при соблюдении условий:
а) Если речь идёт о кампаниях одного типа — или performance, или медийные.
б) Если вы обладаете бесконечными компетенциями, временем и деньгами.
С пунктом а) разобрались: Шепли корректно работает сразу и с медийкой, и с перформом, тогда как марковский подход применим к чему-то одному.
Теперь перейдём к пункту б) — вопросу ресурсов. Именно из-за их отсутствия внедрение такой системы окончательно теряет смысл, когда мы приземляем всё на практику.
1️⃣ Отсутствие времени, денег и вычислительных ресурсов. Чтобы получать хоть сколько-то применимые к оптимизации результаты, Шепли и Маркова нужно считать каждый день, причём на разном сырье.
У них принципиально разные требования к данным:
• Шепли работает с цепочками закончившихся конверсий.
• Марков — с уникальными взаимодействиями.
Это два совершенно разных датасета, и считать их параллельно и одновременно стоит как золотой мост.
2️⃣ Главное: проблема оптимизации. Как применять это усреднённое значение на практике? Если по одной модели канал X показывает 0 конверсий, а по другой 100, 50, да пусть даже 10, как можно полагаться на среднее арифметическое при распределении бюджета? Пан или пропал?
Система существует сама по себе, отдельно от бизнеса. Никто не пытается довести её до оптимизации.
Гипотетически это могло бы работать, если бы одна модель использовалась строго для performance, а другая — строго для медийки.
В теории есть бесконечные вычислительные ресурсы, время на анализ, сильная команда аналитиков и чёткое понимание, зачем вообще это всё считается.
Но реальность показывает другое
У нас был кейс, когда клиент запросил атрибуцию по Маркову, а когда получил расчёты, вообще ничего не понял: результаты радикально расходились с Шепли.
Единственный способ проверить модель — подключить заведомо фродовый канал. И в этот момент Марков начал утверждать, что канал офигенный и критически важен для сплита. После этого атрибуцию считали только по Шепли.
Модель Маркова-Шепли противоречит логике так же, как модель Первого-последнего касания*. Рынок должен упрощать жизнь рекламодателей, а не давать им веер из моделей, заодно создавая свои, сомнительные методы оценки рекламы.
* —
👉 Поэтому торг здесь не уместен — для оптимизации можно использовать результаты только одной модели атрибуции. Какой — выбираете вы сами. Но выбрать надо что-то одно.
Подробнее: Выбираем подходящую модель атрибуции для бизнеса
#атрибуция_просто #мифы #онтоп
Please open Telegram to view this post
VIEW IN TELEGRAM
👍6⚡1
🦊 Парадокс двойной атрибуции: сложно для ИП, бессмысленно для Enterprise
[Модель Маркова-Шепли, часть 5: проблема компетенций]
Будем последовательными. Ранее мы писали:
В предыдущем посте мы подробно разобрали пункт б), но не затронули компетенции. Давайте о них и поговорим.
Если уж мы всерьёз собрались работать с моделью Маркова-Шепли, алгоритм оптимизации должен выглядеть так:
1️⃣ Использовать две модели атрибуции можно только на этапе оценки — и только в том случае, если вы хорошо понимаете, как работают эти модели и какие у них ограничения.
2️⃣ Дальше эти результаты необходимо пропускать через критическое понимание собственного медиасплита — как правило, небольшого и относительно устойчивого.
3️⃣ И только после этого можно переходить к оптимизации всего медиасплита целиком, опираясь на одну выбранную модель.
Вопрос в том, много ли у нас на рынке тех, кто вообще способен так работать. И есть ли у них на это время. У клиентов могут быть сотни, а иногда и тысячи кампаний.
По сути верификатор предлагает некоему специалисту каждый раз вручную просматривать весь медиасплит по двум моделям и рисовать между ними какую-то третью картину, чтобы понять, к какому выводу он склоняется для принятия решений.
Теоретически это можно отыграть. Практически ни у кого на рынке нет на это ресурсов: спецов, опыта, времени. Для 90% клиентов такой подход просто недостижим.
😶 В итоге получается парадокс
Такая оценка может быть полезна среднему бизнесу с небольшим сплитом, но у него обычно не хватает опыта и экспертизы в атрибуции. А у крупных рекламодателей есть и спецы, и опыт, но при большом сплите с перформансом и медийкой такая модель оказывается для них бесполезной.
#атрибуция_просто #мифы #онтоп
[Модель Маркова-Шепли, часть 5: проблема компетенций]
Будем последовательными. Ранее мы писали:
❌ На практике нельзя использовать результаты разных моделей атрибуции для оптимизации — только в теории.
И даже так это будет возможно лишь при соблюдении условий:
а) Если речь идёт о кампаниях одного типа — или performance, или медийные.
б) Если вы обладаете бесконечными компетенциями, временем и деньгами.
В предыдущем посте мы подробно разобрали пункт б), но не затронули компетенции. Давайте о них и поговорим.
Если уж мы всерьёз собрались работать с моделью Маркова-Шепли, алгоритм оптимизации должен выглядеть так:
1️⃣ Использовать две модели атрибуции можно только на этапе оценки — и только в том случае, если вы хорошо понимаете, как работают эти модели и какие у них ограничения.
2️⃣ Дальше эти результаты необходимо пропускать через критическое понимание собственного медиасплита — как правило, небольшого и относительно устойчивого.
3️⃣ И только после этого можно переходить к оптимизации всего медиасплита целиком, опираясь на одну выбранную модель.
Вопрос в том, много ли у нас на рынке тех, кто вообще способен так работать. И есть ли у них на это время. У клиентов могут быть сотни, а иногда и тысячи кампаний.
По сути верификатор предлагает некоему специалисту каждый раз вручную просматривать весь медиасплит по двум моделям и рисовать между ними какую-то третью картину, чтобы понять, к какому выводу он склоняется для принятия решений.
Теоретически это можно отыграть. Практически ни у кого на рынке нет на это ресурсов: спецов, опыта, времени. Для 90% клиентов такой подход просто недостижим.
😶 В итоге получается парадокс
Такая оценка может быть полезна среднему бизнесу с небольшим сплитом, но у него обычно не хватает опыта и экспертизы в атрибуции. А у крупных рекламодателей есть и спецы, и опыт, но при большом сплите с перформансом и медийкой такая модель оказывается для них бесполезной.
#атрибуция_просто #мифы #онтоп
Please open Telegram to view this post
VIEW IN TELEGRAM
👍3🔥2
🦊 Зачем нужна атрибуция — увы, многие не понимают
[Модель Маркова-Шепли, часть 6: депрессия]
Кто-то скажет: вы адепты Шепли, у вас нет Маркова, вот вы и топите конкурентов, у которых аж целых две модели сразу.
• Во-первых, атрибуцию Шепли придумали не мы — понятно из названия. За ней стоит нобелевский лауреат, модель существует десятилетиями и применима далеко за пределами маркетинга.
• Во-вторых, Марков у нас тоже есть. И мы прекрасно знаем, как он работает и где ограничен в возможностях.
Мы выбрали Шепли, потому что клиенты хотят оптимизировать кампании, а не набор рандомных подходов на своё усмотрение. Модель корректно оценивает вклад каждого канала, поскольку учитывает взаимодействие и медийки, и перформа, и благодаря этому даёт максимально объективные данные для оптимизации.
👉 На минуточку, этой атрибуцией пользуется Google.
И тут мы подбираемся к главному вопросу. Зачем Google или любая другая компания использует атрибуцию?
Многие не понимают: сама по себе атрибуция никому не нужна. Это не продукт, не цель и не ценность, а всего лишь компонент в системе принятия решений. Её единственный смысл — дать ответ практический вопрос: как эффективнее перераспределить деньги между каналами, чтобы получить больше результата.
😕 Но в этой истории вам продают нерабочий инструмент и говорят: разбирайтесь сами. Вы стали ближе к оптимизации? Нет.
☝️ Если вам предлагают веер из моделей «на выбор», такая атрибуция бесполезна. Она всегда должна быть связана с получением рекомендаций для оптимизации, бизнес-результатом и деньгами.
#атрибуция_просто #мифы #онтоп
[Модель Маркова-Шепли, часть 6: депрессия]
Кто-то скажет: вы адепты Шепли, у вас нет Маркова, вот вы и топите конкурентов, у которых аж целых две модели сразу.
• Во-первых, атрибуцию Шепли придумали не мы — понятно из названия. За ней стоит нобелевский лауреат, модель существует десятилетиями и применима далеко за пределами маркетинга.
• Во-вторых, Марков у нас тоже есть. И мы прекрасно знаем, как он работает и где ограничен в возможностях.
Мы выбрали Шепли, потому что клиенты хотят оптимизировать кампании, а не набор рандомных подходов на своё усмотрение. Модель корректно оценивает вклад каждого канала, поскольку учитывает взаимодействие и медийки, и перформа, и благодаря этому даёт максимально объективные данные для оптимизации.
👉 На минуточку, этой атрибуцией пользуется Google.
И тут мы подбираемся к главному вопросу. Зачем Google или любая другая компания использует атрибуцию?
Многие не понимают: сама по себе атрибуция никому не нужна. Это не продукт, не цель и не ценность, а всего лишь компонент в системе принятия решений. Её единственный смысл — дать ответ практический вопрос: как эффективнее перераспределить деньги между каналами, чтобы получить больше результата.
😕 Но в этой истории вам продают нерабочий инструмент и говорят: разбирайтесь сами. Вы стали ближе к оптимизации? Нет.
☝️ Если вам предлагают веер из моделей «на выбор», такая атрибуция бесполезна. Она всегда должна быть связана с получением рекомендаций для оптимизации, бизнес-результатом и деньгами.
#атрибуция_просто #мифы #онтоп
👍6⚡1
🦊 Вспоминаем, что такое атрибуция и как ей пользоваться
[Модель Маркова-Шепли, часть 7: (не)принятие]
Если вынести эмоции за скобки, у этой серии был простой смысл. На рынке появляется всё больше «продвинутых» решений, но выбирать продукты для работы надо с умом и осторожностью. Даже когда за ними стоят именитые команды крупных брендов.
⚡️ Сравнивайте, задавайте вопросы, ищите информацию — давайте вместе поднимать уровень компетенций на рынке и критически оценивать новинки. Интерес к data driven растёт, поэтому подобные витрины будут мелькать всё чаще — красивые снаружи, но совершенно непродуманные внутри.
Не изобретайте колесо.
Не рискуйте бюджетом.
Лучше просто запомните:
Полезные материалы — сохраняйте и не теряйте
🔸 Зачем нужна атрибуция
🔸 Вы уже пользуетесь атрибуцией
🔸 Атрибуция на понятных примерах
🔸 Простое объяснение атрибуции Шепли
🔸 Четыре мифа об атрибуции
🔸 Атрибуция — это градусник, а не метеостанция
🔸 Почему Google использует data driven атрибуцию
🔸 Почему нельзя полагаться на простые модели атрибуции
🔸 Как проверить, что вы готовы к внедрению атрибуции
🔸 Внедрение мультиканальной атрибуции за 6 шагов
🔸 Мобильная data driven атрибуция
#атрибуция_просто #мифы #онтоп
[Модель Маркова-Шепли, часть 7: (не)принятие]
Если вынести эмоции за скобки, у этой серии был простой смысл. На рынке появляется всё больше «продвинутых» решений, но выбирать продукты для работы надо с умом и осторожностью. Даже когда за ними стоят именитые команды крупных брендов.
⚡️ Сравнивайте, задавайте вопросы, ищите информацию — давайте вместе поднимать уровень компетенций на рынке и критически оценивать новинки. Интерес к data driven растёт, поэтому подобные витрины будут мелькать всё чаще — красивые снаружи, но совершенно непродуманные внутри.
Не изобретайте колесо.
Не рискуйте бюджетом.
Лучше просто запомните:
Модели нельзя пересекать. Можно использовать знания и опыт по двум и более моделям для анализа и принятия решений, но не смешивать сырьё и результаты.
Полезные материалы — сохраняйте и не теряйте
🔸 Зачем нужна атрибуция
🔸 Вы уже пользуетесь атрибуцией
🔸 Атрибуция на понятных примерах
🔸 Простое объяснение атрибуции Шепли
🔸 Четыре мифа об атрибуции
🔸 Атрибуция — это градусник, а не метеостанция
🔸 Почему Google использует data driven атрибуцию
🔸 Почему нельзя полагаться на простые модели атрибуции
🔸 Как проверить, что вы готовы к внедрению атрибуции
🔸 Внедрение мультиканальной атрибуции за 6 шагов
🔸 Мобильная data driven атрибуция
#атрибуция_просто #мифы #онтоп
👍5
🦊 Почему многие внедряют ИИ, но только у единиц он работает на бизнес-результат
Рынок обсуждает модели атрибуции, ИИ-оптимизацию, data driven подходы. Все пытаются внедрить GPT в маркетинг и автоматизировать управление рекламой, забывая одну вещь.
Мы говорим об этом не первый год — ничего не будет работать без качественно собранной аналитики. Но на волне массовых попыток компаний внедрить у себя ИИ тема снова актуальна.
🤔 Почему ИИ показывает три продажи, если у нас по факту их было десять?
В расчётах и ответах ИИ будет учитывать только три, если столько отражено в данных. Он работает не с реальностью, а с тем, что записано в системе. И если в системе дубли событий, нет стабильного идентификатора, а часть заявок вообще не попала в учёт, выводы ИИ будут основаны именно на этой искажённой информации.
🤒 При таком раскладе бессмысленно спорить о выборе модели атрибуции или качестве ML-алгоритма. Любая модель считает внутри того периметра данных, который ей дали. Периметр неполный или логически разорван? Результат будет искажён.
→ Когда ИИ работает на неполных или неправильно собранных данных, он не автоматизирует маркетинг, а ускоряет принятие неправильных решений.
🚀 В следующем посте расскажем, какие есть варианты решения проблемы. Ставьте реакции, если это для вас полезно!
#основа #объясняем_на_пальцах
Рынок обсуждает модели атрибуции, ИИ-оптимизацию, data driven подходы. Все пытаются внедрить GPT в маркетинг и автоматизировать управление рекламой, забывая одну вещь.
Никакой ИИ и модели атрибуции не взлетят, если нет нормально собранных данных — или они собраны так плохо, что слои над ними не будут корректно работать.
Мы говорим об этом не первый год — ничего не будет работать без качественно собранной аналитики. Но на волне массовых попыток компаний внедрить у себя ИИ тема снова актуальна.
🤔 Почему ИИ показывает три продажи, если у нас по факту их было десять?
В расчётах и ответах ИИ будет учитывать только три, если столько отражено в данных. Он работает не с реальностью, а с тем, что записано в системе. И если в системе дубли событий, нет стабильного идентификатора, а часть заявок вообще не попала в учёт, выводы ИИ будут основаны именно на этой искажённой информации.
🤒 При таком раскладе бессмысленно спорить о выборе модели атрибуции или качестве ML-алгоритма. Любая модель считает внутри того периметра данных, который ей дали. Периметр неполный или логически разорван? Результат будет искажён.
→ Когда ИИ работает на неполных или неправильно собранных данных, он не автоматизирует маркетинг, а ускоряет принятие неправильных решений.
🚀 В следующем посте расскажем, какие есть варианты решения проблемы. Ставьте реакции, если это для вас полезно!
#основа #объясняем_на_пальцах
👍7🔥4👏3
🦊 Цифры не сходятся, ИИ не работает, у нас плохие данные — рассказываем, что с этим делать
Давайте сначала найдём корень проблемы. Как показывает опыт, глобально есть две причины низкого качества данных:
1️⃣ Данные не проверяют, то есть они принимаются как есть, без регулярной сверки и контроля. События передаются, продажи фиксируются, но никто не контролирует их качество.
• CRM показывает 120 продаж, а в аналитике — 98, и никто не задаёт вопросов.
• Часть заявок не передаётся из формы на сайте, но это замечают через полгода.
• Рекламные кабинеты считают одни цифры, внутренняя отчётность — другие, расхождение объясняют «особенностями системы».
• Статусы сделок меняются, а в аналитике они остаются «в работе».
2️⃣ Данные неправильно связывают. Они есть, но между ними нет корректной связи: стабильного идентификатора, единой логики склейки событий, согласованной модели данных.
• Клик по рекламе есть, заявка есть, но они не связаны между собой.
• Лид в CRM не связан с дальнейшим фактом оплаты.
• Пользователь с телефона и тот же человек с ноутбука считаются как разные люди.
• Офлайн-продажа не склеена с онлайн-источником.
→ Как собирать данные для аналитики так, чтобы можно было внедрять ИИ и другие инструменты на уровне компании? Готовы предложить вам два решения⤵️
1️⃣ Учиться правильно собирать данные своими силами
• У нас есть гайд по оптимизации медийной рекламы — доска в Miro, которая, помимо самого гайда, содержит инструкции и памятки для работы.
• Там есть раздел Сквозная аналитика → как эффективно самому собрать post-view и post-click данные для аналитики. Внутри — подробный алгоритм для сбора, валидации, склейки и хранения.
• Написано всё человеческим языком, есть наглядные скриншоты. Алгоритм собирал наш главный аналитик.
2️⃣ Обратиться за помощью
Можно привлечь интегратора — команду, которая выстроит архитектуру данных и будет поддерживать их качество. Если у вас что-то не получается, приходите к нам. Мы уже решили аналогичную задачу для Газпрома, Леманы ПРО, ГК ФСК и других крупных компаний.
🤔 «А у вас бывают ошибки в данных?»
Мы работаем как агрегатор и зависим от первоисточников. Когда в источнике ошибка или искажение, оно попадает в нашу систему. Мы это не игнорируем — наша задача как раз в том, чтобы разобраться, найти расхождения и скорректировать логику передачи. Это не разовая настройка, а постоянная работа, которую мы делаем для вас.
🚀 Качество данных — это фундамент для любых дальнейших надстроек. Мы системно инвестируем в него время, деньги и экспертизу, чтобы на выходе аналитика отражала реальную картину маркетинга и давала бизнесу выводы для оптимизации.
👍 — ждём следующий пост с инсайдом о работе платформы
#основа #объясняем_на_пальцах
Давайте сначала найдём корень проблемы. Как показывает опыт, глобально есть две причины низкого качества данных:
1️⃣ Данные не проверяют, то есть они принимаются как есть, без регулярной сверки и контроля. События передаются, продажи фиксируются, но никто не контролирует их качество.
• CRM показывает 120 продаж, а в аналитике — 98, и никто не задаёт вопросов.
• Часть заявок не передаётся из формы на сайте, но это замечают через полгода.
• Рекламные кабинеты считают одни цифры, внутренняя отчётность — другие, расхождение объясняют «особенностями системы».
• Статусы сделок меняются, а в аналитике они остаются «в работе».
2️⃣ Данные неправильно связывают. Они есть, но между ними нет корректной связи: стабильного идентификатора, единой логики склейки событий, согласованной модели данных.
• Клик по рекламе есть, заявка есть, но они не связаны между собой.
• Лид в CRM не связан с дальнейшим фактом оплаты.
• Пользователь с телефона и тот же человек с ноутбука считаются как разные люди.
• Офлайн-продажа не склеена с онлайн-источником.
→ Как собирать данные для аналитики так, чтобы можно было внедрять ИИ и другие инструменты на уровне компании? Готовы предложить вам два решения
1️⃣ Учиться правильно собирать данные своими силами
• У нас есть гайд по оптимизации медийной рекламы — доска в Miro, которая, помимо самого гайда, содержит инструкции и памятки для работы.
• Там есть раздел Сквозная аналитика → как эффективно самому собрать post-view и post-click данные для аналитики. Внутри — подробный алгоритм для сбора, валидации, склейки и хранения.
• Написано всё человеческим языком, есть наглядные скриншоты. Алгоритм собирал наш главный аналитик.
Получить гайд можно через бота: @cyberbrain_msc_bot
2️⃣ Обратиться за помощью
Можно привлечь интегратора — команду, которая выстроит архитектуру данных и будет поддерживать их качество. Если у вас что-то не получается, приходите к нам. Мы уже решили аналогичную задачу для Газпрома, Леманы ПРО, ГК ФСК и других крупных компаний.
Обращайтесь: hello@cybrain.io
🤔 «А у вас бывают ошибки в данных?»
Мы работаем как агрегатор и зависим от первоисточников. Когда в источнике ошибка или искажение, оно попадает в нашу систему. Мы это не игнорируем — наша задача как раз в том, чтобы разобраться, найти расхождения и скорректировать логику передачи. Это не разовая настройка, а постоянная работа, которую мы делаем для вас.
🚀 Качество данных — это фундамент для любых дальнейших надстроек. Мы системно инвестируем в него время, деньги и экспертизу, чтобы на выходе аналитика отражала реальную картину маркетинга и давала бизнесу выводы для оптимизации.
👍 — ждём следующий пост с инсайдом о работе платформы
#основа #объясняем_на_пальцах
Please open Telegram to view this post
VIEW IN TELEGRAM
👍7
🦊 Как мы проверяем качество данных — отчёт о точности в дашборде CyberBrain
Зачем вообще нужно проверять качество данных? Давайте приведём простой пример.
🥲 В системе финальный этап сделки может быть зафиксирован как Выдача, Завершено или Этап завершён — из-за разных названий невозможно отследить вклад сделок в итоговую сумму. Бизнес даже не всегда может точно посчитать, сколько зарабатывает (или теряет) на рекламе — это не редкость.
⚡️ Что показывает отчёт точности CyberBrain
Он позволяет определить качество данных через оценку расхождения между данными в нашей системе и в источнике.
⚡️ Как рассчитывается показатель точности
• Сначала мы ищем процент расхождения — разницу между источником данных и нашей базой.
• Если точность выше 97%, расхождения в пределах нормы.
⚡️ Под анализом точности лежит масштабный модуль — валидатор
Он ежедневно мониторит качество получаемых данных из всех источников: Директ, Метрика, медийные системы, CRM и другие.
🔸 Как валидатор отслеживает расхождения
• Получает из источника логи отдельных событий и общую отчётную статистику.
• Считает итог по всем событиям и проверяет, совпадает ли он с официальной суммой источника.
• Если из логов получилось, например, 9 842 сеанса, а в отчёте источника указано 10 000 — есть расхождения.
Эта проверка показывает, что:
– либо мы не полностью загрузили данные
– либо источник ещё не досчитал период
– либо есть техническая ошибка в обработке
Если валидатор видит расхождения, он запрашивает данные из источника, чтобы компенсировать разрыв. Поверх этого есть ручной мониторинг и специальный бот — мы рассказывали о нём в конце этого поста.
🚀 А почему вообще возникают проблемы с данными? Расскажем в следующем посте, и не забудьте лайкнуть этот!
#платформа
Зачем вообще нужно проверять качество данных? Давайте приведём простой пример.
🥲 В системе финальный этап сделки может быть зафиксирован как Выдача, Завершено или Этап завершён — из-за разных названий невозможно отследить вклад сделок в итоговую сумму. Бизнес даже не всегда может точно посчитать, сколько зарабатывает (или теряет) на рекламе — это не редкость.
Чтобы у вас был полный путь клиента для точной оптимизации и корректной работы надстроек вроде ИИ-ботов, мы постоянно улучшаем data quality — процесс контроля и обеспечения нужного уровня качества данных. На бэке это гигантский объём работы, но снаружи — простой и удобный лист точности в дашборде.
⚡️ Что показывает отчёт точности CyberBrain
Он позволяет определить качество данных через оценку расхождения между данными в нашей системе и в источнике.
⚡️ Как рассчитывается показатель точности
• Сначала мы ищем процент расхождения — разницу между источником данных и нашей базой.
• Если точность выше 97%, расхождения в пределах нормы.
⚡️ Под анализом точности лежит масштабный модуль — валидатор
Он ежедневно мониторит качество получаемых данных из всех источников: Директ, Метрика, медийные системы, CRM и другие.
🔸 Как валидатор отслеживает расхождения
• Получает из источника логи отдельных событий и общую отчётную статистику.
• Считает итог по всем событиям и проверяет, совпадает ли он с официальной суммой источника.
• Если из логов получилось, например, 9 842 сеанса, а в отчёте источника указано 10 000 — есть расхождения.
Эта проверка показывает, что:
– либо мы не полностью загрузили данные
– либо источник ещё не досчитал период
– либо есть техническая ошибка в обработке
Если валидатор видит расхождения, он запрашивает данные из источника, чтобы компенсировать разрыв. Поверх этого есть ручной мониторинг и специальный бот — мы рассказывали о нём в конце этого поста.
🚀 А почему вообще возникают проблемы с данными? Расскажем в следующем посте, и не забудьте лайкнуть этот!
#платформа
🔥4👍1
🦊 Откуда берутся проблемы с данными: частые причины
Если в данных ошибка, клиент сразу уверен, что мы как валидатор неправильно их скачали, обработали или сохранили. Такое действительно возможно — но это редкие случаи. Обычно причина гораздо проще: данные оказались у нас в таком виде, потому что именно в таком виде они лежали у клиента.
Самые частые причины проблем с данными⤵️
Серьёзно, 9/10 случаев
🔸 Некорректные названия кампаний. Лишние символы, забыли поменять UTM-разметку или, наоборот, обновили её прямо в процессе ведения рекламы.
🔸 Отсутствие единых правил наименования кампаний. Если команды называют кампании по-разному, потом их нельзя корректно сопоставить с бюджетами.
🔸 Плохо склеенные данные. Источники объединены без единых правил идентификации пользователя или сделки.
🔸 Проблемы с лимитами на получение данных из источников. Системы не успевают полностью отдавать данные или делают это с задержкой.
🔸 Хаос в данных. Нет описания внутренних бизнес-сущностей и понимания, где и что лежит.
Если не заниматься качеством данных, любая аналитика теряет смысл. Когда в системе отражено 3 продажи, а по факту их было 10, все дальнейшие расчёты будут опираться именно на эти 3.
🚀 Правильно собранные и уложенные данные — базис для оптимизации бюджетов и автоматизации аналитики. Мы рядом, чтобы помочь и ответить на вопросы. Надеемся, было полезно!
→ hello@cybrain.io
#основа
Если в данных ошибка, клиент сразу уверен, что мы как валидатор неправильно их скачали, обработали или сохранили. Такое действительно возможно — но это редкие случаи. Обычно причина гораздо проще: данные оказались у нас в таком виде, потому что именно в таком виде они лежали у клиента.
Самые частые причины проблем с данными
Серьёзно, 9/10 случаев
🔸 Некорректные названия кампаний. Лишние символы, забыли поменять UTM-разметку или, наоборот, обновили её прямо в процессе ведения рекламы.
🔸 Отсутствие единых правил наименования кампаний. Если команды называют кампании по-разному, потом их нельзя корректно сопоставить с бюджетами.
🔸 Плохо склеенные данные. Источники объединены без единых правил идентификации пользователя или сделки.
🔸 Проблемы с лимитами на получение данных из источников. Системы не успевают полностью отдавать данные или делают это с задержкой.
🔸 Хаос в данных. Нет описания внутренних бизнес-сущностей и понимания, где и что лежит.
Если не заниматься качеством данных, любая аналитика теряет смысл. Когда в системе отражено 3 продажи, а по факту их было 10, все дальнейшие расчёты будут опираться именно на эти 3.
🚀 Правильно собранные и уложенные данные — базис для оптимизации бюджетов и автоматизации аналитики. Мы рядом, чтобы помочь и ответить на вопросы. Надеемся, было полезно!
→ hello@cybrain.io
#основа
Please open Telegram to view this post
VIEW IN TELEGRAM
👍4👏2
🦊 Эпоха Zero-click — почему в 2026 брендам важно попадать в AI-ответы поисковиков
Лео на связи! Представьте, Пенни гуглит «лучший крем для кожи», читает AI-сводку и закрывает вкладку. Она не кликает, не переходит, не читает статью. И таких Пенни уже около 60%.
Главное из материала Bain
1️⃣ Органический трафик станет менее предсказуемым
Даже если вы в топ-3, пользователь может прочитать AI-сводку и получить ответ без перехода на сайт.
2️⃣ SEO уже недостаточно
AI-ответы строятся на индексируемом контенте. Если вы не оптимизированы под SEO, то и в AI-ответ не попадёте. Но теперь помимо базовой оптимизации нужно запускать эксперименты — отслеживать, как бренд появляется в AI-сводках поисковиков, и проверять, что влияет на его видимость и позиционирование.
3️⃣ Скрытый контент мешает индексации
Материалы, спрятанные в PDF и за формами доступа, хуже участвуют в формировании AI-ответов.
4️⃣ Массовое производство SEO-статей теряет эффективность
AI выбирает структурированные материалы, которые хорошо раскрывают тему. Ему не интересны поверхностные статьи, заточенные под ключевые слова.
5️⃣ Нужно измерять присутствие бренда в AI-ответах
Было: трафик, CTR, переходы. Стало: доля ответов в AI-сводках по сравнению с конкурентами.
#эксперт_на_проводе #онтоп #исследование
Лео на связи! Представьте, Пенни гуглит «лучший крем для кожи», читает AI-сводку и закрывает вкладку. Она не кликает, не переходит, не читает статью. И таких Пенни уже около 60%.
Главное из материала Bain
Около 60% поисковых сессий заканчиваются без перехода на внешний сайт — пользователь получает готовый ответ прямо в интерфейсе поиска.
1️⃣ Органический трафик станет менее предсказуемым
Даже если вы в топ-3, пользователь может прочитать AI-сводку и получить ответ без перехода на сайт.
2️⃣ SEO уже недостаточно
AI-ответы строятся на индексируемом контенте. Если вы не оптимизированы под SEO, то и в AI-ответ не попадёте. Но теперь помимо базовой оптимизации нужно запускать эксперименты — отслеживать, как бренд появляется в AI-сводках поисковиков, и проверять, что влияет на его видимость и позиционирование.
3️⃣ Скрытый контент мешает индексации
Материалы, спрятанные в PDF и за формами доступа, хуже участвуют в формировании AI-ответов.
4️⃣ Массовое производство SEO-статей теряет эффективность
AI выбирает структурированные материалы, которые хорошо раскрывают тему. Ему не интересны поверхностные статьи, заточенные под ключевые слова.
5️⃣ Нужно измерять присутствие бренда в AI-ответах
Было: трафик, CTR, переходы. Стало: доля ответов в AI-сводках по сравнению с конкурентами.
#эксперт_на_проводе #онтоп #исследование
👍5⚡1
🦊 Кейс: Claude Code для автоматизации маркетинга
Говард на связи! Сегодня вы узнаете, как группа энтузиастов превратила маркетинг в инженерную систему. А я, как специалист по инженерным делишкам, всецело это одобряю 🌚
Команда Anthropic поделилась кейсом внедрения Claude Code для автоматизации маркетинга. Без собственной разработки они выстроили автоматизацию и закрыли задачи, которые обычно делают инженеры.
Основные направления автоматизации
1️⃣ Генерация рекламных креативов
Система обрабатывает CSV с метриками, находит слабые объявления и генерирует новые варианты с учётом лимитов символов (30/90). Два субагента (заголовки и описания) создают сотни объявлений за минуты вместо часов ручной работы.
2️⃣ Плагин Figma для массовых тестов
Плагин автоматически генерирует до 100 креативов, подставляя тексты во фреймы.
3️⃣ Тестирование с накоплением опыта
Система хранит результаты экспериментов и применяет их в новых генерациях. Команда не начинает каждый раз с нуля, а опирается на прошлые данные.
Результаты внедрения
🔸 Создание рекламных текстов сократилось с 2 ч. до 15 мин.
🔸 В 10 раз больше тестируемых креативов через автоматическую генерацию и Figma
Лучшие практики от команды Anthropic
1️⃣ Ищите повторяющиеся задачи с доступом через API
Обратите внимание на процессы с повторяющимися действиями в инструментах с API: рекламные платформы, дизайн-системы, аналитика. Это основные кандидаты на автоматизацию через Claude Code.
2️⃣ Делите сложные воркфлоу на субагентов
Вместо одного универсального промпта создавайте отдельных агентов под конкретные задачи: например, для заголовков и для описаний. Это упрощает проверку и повышает качество результата при сложных комплексных задачах.
3️⃣ Тщательно продумывайте логику и структуру промптов до написания кода
Заранее проработайте весь воркфлоу с помощью Claude.ai, сформируйте подробный промпт и структуру кода. Работайте поэтапно и не пытайтесь решить всё одним запросом.
👍 — дайте знать, если хотите видеть больше кейсов внедрения AI и инструментов автоматизации
#эксперт_на_проводе #what_the_hack
Говард на связи! Сегодня вы узнаете, как группа энтузиастов превратила маркетинг в инженерную систему. А я, как специалист по инженерным делишкам, всецело это одобряю 🌚
Команда Anthropic поделилась кейсом внедрения Claude Code для автоматизации маркетинга. Без собственной разработки они выстроили автоматизацию и закрыли задачи, которые обычно делают инженеры.
Основные направления автоматизации
1️⃣ Генерация рекламных креативов
Система обрабатывает CSV с метриками, находит слабые объявления и генерирует новые варианты с учётом лимитов символов (30/90). Два субагента (заголовки и описания) создают сотни объявлений за минуты вместо часов ручной работы.
2️⃣ Плагин Figma для массовых тестов
Плагин автоматически генерирует до 100 креативов, подставляя тексты во фреймы.
3️⃣ Тестирование с накоплением опыта
Система хранит результаты экспериментов и применяет их в новых генерациях. Команда не начинает каждый раз с нуля, а опирается на прошлые данные.
Результаты внедрения
🔸 Создание рекламных текстов сократилось с 2 ч. до 15 мин.
🔸 В 10 раз больше тестируемых креативов через автоматическую генерацию и Figma
Лучшие практики от команды Anthropic
1️⃣ Ищите повторяющиеся задачи с доступом через API
Обратите внимание на процессы с повторяющимися действиями в инструментах с API: рекламные платформы, дизайн-системы, аналитика. Это основные кандидаты на автоматизацию через Claude Code.
2️⃣ Делите сложные воркфлоу на субагентов
Вместо одного универсального промпта создавайте отдельных агентов под конкретные задачи: например, для заголовков и для описаний. Это упрощает проверку и повышает качество результата при сложных комплексных задачах.
3️⃣ Тщательно продумывайте логику и структуру промптов до написания кода
Заранее проработайте весь воркфлоу с помощью Claude.ai, сформируйте подробный промпт и структуру кода. Работайте поэтапно и не пытайтесь решить всё одним запросом.
👍 — дайте знать, если хотите видеть больше кейсов внедрения AI и инструментов автоматизации
#эксперт_на_проводе #what_the_hack
👍8
🦊 ×5 окупаемости на перераспределении бюджета и отключении неэффективных кампаний — что умеет ИИ Помощник CyberBrain
Мы много пишем про AI и автоматизацию, и сами активно внедряем у себя эти инструменты. Для примера — наш бот, сейчас мы учим его держаться в рамках делового бизнес-общения. Результаты видно на первом скриншоте, культурный и скромный ИИ работает на базе передовых LLM-моделей.
Примеры возможностей ИИ Помощника
🔸 За первый час работы нашёл и предложил клиенту оптимизировать кампании на 353 000 ₽, которые за 30+ дней не дали ни одной продажи.
🔸 Меньше чем за 5 минут сделал отчёт, который занял бы у аналитика от 8 часов реальной работы. Среднее время написания отчёта по самым разным шаблонам — 43,9 секунды. Говорите, какие цифры нужны, и бот со скоростью болида собирает ответ.
Если вдруг забыли, ИИ Помощник CyberBrain — это умный чат для общения с вашими данными, который:
• сам вызывает нужные модули платформы
• берёт оттуда информацию
• возвращает ответ с инфографикой, подстраивая глубину объяснений под конкретного пользователя
💸 Окупаемость Помощника — самое интересное
Второй скриншот — реальный расчёт по клиенту, у которого ежемесячно 2+ млрд событий.
• Бот предлагает сэкономить ~2 250 000 ₽ на отключении и пересмотре однозначно неэффективных кампаний — проверено умной data driven атрибуцией. Это выявил всего один запрос!
• Вся платформа обходится клиенту в 450 тыс. руб. / месяц: аналитика, атрибуция, оптимизатор, дашборд, сигналы и бот. Тариф привязан к объёму данных заказчика и рассчитывается индивидуально.
👍 — мы ценим вашу поддержку!
Скоро начнём выкладывать кейсы, как именно бот повышает эффективность кампаний. Система не ошибается — а почему и как это работает, расскажем в следующих постах.
🚀 Приглашаем на тестирование бота — обсудим, какие задачи он может решить в рамках вашего бизнеса, и найдём лучшие возможности применения. Всем рады — записывайтесь на консультацию CEO!
hello@cybrain.io
Лисы на скриншотах отличаются, потому что это разные версии интерфейса. Кто заметил, ну вы даёте 😎
#платформа
Мы много пишем про AI и автоматизацию, и сами активно внедряем у себя эти инструменты. Для примера — наш бот, сейчас мы учим его держаться в рамках делового бизнес-общения. Результаты видно на первом скриншоте, культурный и скромный ИИ работает на базе передовых LLM-моделей.
Примеры возможностей ИИ Помощника
🔸 За первый час работы нашёл и предложил клиенту оптимизировать кампании на 353 000 ₽, которые за 30+ дней не дали ни одной продажи.
🔸 Меньше чем за 5 минут сделал отчёт, который занял бы у аналитика от 8 часов реальной работы. Среднее время написания отчёта по самым разным шаблонам — 43,9 секунды. Говорите, какие цифры нужны, и бот со скоростью болида собирает ответ.
Если вдруг забыли, ИИ Помощник CyberBrain — это умный чат для общения с вашими данными, который:
• сам вызывает нужные модули платформы
• берёт оттуда информацию
• возвращает ответ с инфографикой, подстраивая глубину объяснений под конкретного пользователя
Второй скриншот — реальный расчёт по клиенту, у которого ежемесячно 2+ млрд событий.
• Бот предлагает сэкономить ~2 250 000 ₽ на отключении и пересмотре однозначно неэффективных кампаний — проверено умной data driven атрибуцией. Это выявил всего один запрос!
• Вся платформа обходится клиенту в 450 тыс. руб. / месяц: аналитика, атрибуция, оптимизатор, дашборд, сигналы и бот. Тариф привязан к объёму данных заказчика и рассчитывается индивидуально.
2 250 000 / 450 000 = ×5 окупаемость бота при соблюдении рекомендаций по оптимизации
👍 — мы ценим вашу поддержку!
Скоро начнём выкладывать кейсы, как именно бот повышает эффективность кампаний. Система не ошибается — а почему и как это работает, расскажем в следующих постах.
🚀 Приглашаем на тестирование бота — обсудим, какие задачи он может решить в рамках вашего бизнеса, и найдём лучшие возможности применения. Всем рады — записывайтесь на консультацию CEO!
hello@cybrain.io
#платформа
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
🔥5👍2
🦊 Что творилось в Moltbook — соцсети для ИИ
В январе громко обсуждали Moltbook — полноценную соцсеть с тематическими форумами, где общались только ИИ-агенты. Собрали для вас самые большие курьёзы, которые нам подарила эта новость.
Есть ли какой-то вывод у этой истории? Конечно: ИИ так и не достиг мастерства человека в интернет-спорах. Почему так — узнаете в карточках. Приятного чтения!🚀
#юмор #нейронки
В январе громко обсуждали Moltbook — полноценную соцсеть с тематическими форумами, где общались только ИИ-агенты. Собрали для вас самые большие курьёзы, которые нам подарила эта новость.
Есть ли какой-то вывод у этой истории? Конечно: ИИ так и не достиг мастерства человека в интернет-спорах. Почему так — узнаете в карточках. Приятного чтения!
#юмор #нейронки
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍3🔥2
🦊 OpenAI представила GPT-5.4
Тук-тук-тук, Шелдон на связи! Научный факт дня: ваш мозг — тоже нейросеть. Но у него нет версий Thinking и Pro 🌚 А у GPT-5.4 есть и они, и базовая версия.
Обновление доступно в самом чате подписчикам Plus, Team и Pro, а также через API и Codex. Модель рассчитана в первую очередь на рабочие задачи: документы, таблицы, презентации.
🔸 Что нового
· контекстное окно — до 1,05 млн токенов
· более экономный расход токенов на те же задачи
· фактические ошибки снизились на 33% по сравнению с GPT-5.2
· доля ответов с ошибками сократилась на 18%
· OpenAI запустила интеграцию ChatGPT прямо в Excel (бета)
🔸 Интересное
Впечатляет. OpenAI всё ближе к решению главной проблемы офисной работы — участия в ней человека 🌚 Бугагашенька!
#эксперт_на_проводе #нейронки
Тук-тук-тук, Шелдон на связи! Научный факт дня: ваш мозг — тоже нейросеть. Но у него нет версий Thinking и Pro 🌚 А у GPT-5.4 есть и они, и базовая версия.
Обновление доступно в самом чате подписчикам Plus, Team и Pro, а также через API и Codex. Модель рассчитана в первую очередь на рабочие задачи: документы, таблицы, презентации.
🔸 Что нового
· контекстное окно — до 1,05 млн токенов
· более экономный расход токенов на те же задачи
· фактические ошибки снизились на 33% по сравнению с GPT-5.2
· доля ответов с ошибками сократилась на 18%
· OpenAI запустила интеграцию ChatGPT прямо в Excel (бета)
🔸 Интересное
В тестах на задачи из 44 профессий модель в 83% случаев работала на уровне специалиста или выше. Из примеров: презентации для продаж, бухгалтерские таблицы, рабочие расписания и производственные диаграммы.
Впечатляет. OpenAI всё ближе к решению главной проблемы офисной работы — участия в ней человека 🌚 Бугагашенька!
#эксперт_на_проводе #нейронки
🔥8👍2
🦊 Готовый медиаплан с ИИ Помощником за минуты — запускайте кампании максимально эффективно и выгодно
В прошлом посте мы показали ×5 окупаемость Помощника для нашего клиента и рассказали про две главные задачи, которые он решает:
🔸 оптимизация кампаний
🔸 экономия времени команды
Делимся с вами ещё одной возможностью бота: за несколько минут он составит медиаплан всего по трём параметрам:
• общий бюджет на размещения
• период планирования
• главный KPI
Медиаплан можно сразу брать в работу
ИИ даёт максимально качественные ответы, потому что работает на базе сквозной аналитики CyberBrain с точностью данных 99%.
→ Пост: Почему для корректной работы ИИ нужны полные и грамотно уложенные данные
Почему это круто
1️⃣ Команде не нужно часами разбирать кампании и поднимать старые отчёты. Помощник закрывает рутину за минуты: учитывает эффективность предыдущих размещений, формат рекламы и доступные каналы.
2️⃣ Бюджет распределяется в пользу наиболее эффективных кампаний — максимум прибыли при заданном бюджете.
Ставьте ⚡️👍🔥 — и мы продолжим делиться результатами наших клиентов, которых они достигают вместе с Помощником
#платформа
В прошлом посте мы показали ×5 окупаемость Помощника для нашего клиента и рассказали про две главные задачи, которые он решает:
🔸 оптимизация кампаний
🔸 экономия времени команды
Делимся с вами ещё одной возможностью бота: за несколько минут он составит медиаплан всего по трём параметрам:
• общий бюджет на размещения
• период планирования
• главный KPI
Медиаплан можно сразу брать в работу
ИИ даёт максимально качественные ответы, потому что работает на базе сквозной аналитики CyberBrain с точностью данных 99%.
→ Пост: Почему для корректной работы ИИ нужны полные и грамотно уложенные данные
Почему это круто
1️⃣ Команде не нужно часами разбирать кампании и поднимать старые отчёты. Помощник закрывает рутину за минуты: учитывает эффективность предыдущих размещений, формат рекламы и доступные каналы.
2️⃣ Бюджет распределяется в пользу наиболее эффективных кампаний — максимум прибыли при заданном бюджете.
Ставьте ⚡️👍🔥 — и мы продолжим делиться результатами наших клиентов, которых они достигают вместе с Помощником
#платформа
🔥5👍3