Ang marketing analytics at tamang pagkakatribute ay nagsisimula nang maging 🥀 Isang iba pang trend na napapansin ko sa nakalipas ay ang pagkakaroon ng mas mababaw at mas mababaw ang kahalagahan ng tradisyonal na marketing analytics. Una, mas kumplikado na ang pag-uugali ng mga user. Ang isang funnel kung saan ang isang tao ay nakakakita ng post sa X, nag-Google ng produkto, nagkukumpara ng mga opsyon gamit ang AI, bumabasa ng mga review sa Reddit, at pagkatapos ay lumalabas bilang Direct o Organic ay lubos na normal ngayon. At sa higit pa rito, mayroon na tayong AI traffic at lahat ng kakaibang pagkakaiba na dinala nito. Narito ang isang bago pang halimbawa: Noong Oktubre, tumigil ang ChatGPT sa pagpapasa ng tamang utm_source at referrer data sa ilang araw. Sa GA4, tila biglaang bumaba ang traffic mula sa ChatGPT ng 22–57%, habang sa katotohanan, ang malaking bahagi ng mga bisita ay simple lang naglipat sa Direct. Bukod pa rito, higit sa kalahati ng web traffic ay ngayon ay mga bot, kaya naging mas mababa na ang kahalagahan ng karaniwang bilang ng traffic bilang representasyon ng totoong pag-uugali ng tao. Kaya sa 2026, masasabi nang panganib na tingnan ang isang dashboard at magwakas na “umuunlad ang channel na ito” o “nawala na ang channel na ito.” Kailangan mong tingnan ang maraming signal nang sabay-sabay: direct traffic, brand search, MMM, totoong mga sagot mula sa LLM, at mga conversion. At talagang, ang dating “Paano mo nalaman ang aming serbisyo?” ay nagsisimula nang maging mas maliwanag araw-araw :)

Gusto kong ibigay sa inyo ang mabilis na paliwanag kung ano ang kayang gawin ng CopyCheck: • Ang aking mga panatili: tingnan ang kasalukuyang halaga, unrealized gains/losses, at break-even prices. Subukan ang iba’t ibang galaw ng merkado upang makita kung paano ito epektuhin ang inyong mga bag. • Tignan ang mga transaksyon ng wallet: tignan ang hanggang limang @solana wallet sa isang saklaw ng petsa na hanggang 90 araw. Filtruhin ang mga loss at suriin ang bawat bumili, bumili, at mga link sa transaksyon. • Ihambing ang dalawang wallet: makita kung paano nakaapekto ang entry at exit price sa returns ng mga magkakatugmang eligible trades. Hindi mo kailangang i-connect ang iyong wallet (paniniwala ko ngayon ito ang totoong moat). Maaari mo ring tingnan ang mga snapshot ng merkado ng token, buksan ang mga link sa chart, at i-export ang iyong mga ulat (FYI, lahat ng resulta ng trade ay ipinapakita bago ang mga bayad). Ang video ay nagpapakita ng flow ng wallet-review, ngunit ang artikulo ay mas detalyado sa mga kalkulasyon at limitasyon. Sabihin mo sa akin kung ano ang iyong opinyon!

Magandang artikulo kung paano nila isinakop ang distribusyon, ngunit hindi ito binanggit ang anumang tungkol sa: → Presyo → Free-to-paid conversion → Churn → Gastos ng creator → Ad spend → Profit margins Paano sila eksaktong isinaprol ng lahat ng trapiko hanggang sa $150K/bawat buwan sa kita?

May isang bagay na hindi ko talaga na-isip bago: Ngayon na sinisimulan ng Meta, Google, ChatGPT, atbp. ang paglalabas ng AI Ads, ano ang posibilidad na magbabayad ang mga advertiser para makarating sa mga user na kahit anong pagkakataon ay bibili ng serbisyo naman – nang walang ad? Nagsimula akong isipin tungkol dito pagkatapos basahin ang pag-aaral tungkol sa “ghost attribution” trap. Tinalakay nito kung paano gumagana ang user targeting sa Retail Media Networks (RMNs) tulad ng Amazon Ads, Walmart Connect, at Instacart Ads – at natuklasan na biased ang mga modelo. Ang automated na RMN bidding models ay natural na tumutok sa mga user na nangunguna nang malaki ang posibilidad na bumili ng isang produkto (hal., mga tao na bumili ng brand na iyon 5 beses sa buwang ito). Pagkatapos, ipinapakita ng AI dashboard ang malaking Return on Ad Spend (ROAS) at patuloy na nagpapalabas ang mga advertiser. Ngunit ipinakita ng randomized controlled trials na hanggang 70% ng mga benta ay non-incremental. Ang consumer ay bibili naman ng item kahit walang ad. Ang AI ay tuloy-tuloy na nag-aangkat ng kredito sa organic na pag-uugali, at nagtatago ng malaking pagkalokol ng ad budget. Makakatakot.

Hindi libreng pera ang grant na kapital. Sobrang kaunti ang aking pagkakaroon ng pagkakaintindi sa mga ekipa na itinuturing ito bilang ganun. Para sa konteksto, tinutukoy ko ang grant na 75,000 ARB tokens mula sa @limitlessdefi upang palakasin ang likwididad sa @arbitrum. Binasa ko mula sa Arbitrum’s Watchdog Committee na ang proyekto ay nagpalit ng buong grant sa USDC at isinagawa ito sa Base. Pagkatapos ay tila tumigil na ang proyekto sa pagpapatakbo. Binigyan ng panahon hanggang Setyembre 10 ang ekipa upang ipaliwanag kung ano ang nangyari o ibalik ang pondo. Hindi nila ginawa ang alinman sa dalawa. Ngayon, binaboto ng Arbitrum na pansamantalang bawalan ang mga tagapagsimula mula sa mga susunod na DAO program. Kung ibinigay sa iyo ng ecosystem ang kapital para sa isang tiyak na mandato at ginamit mo ang buong amount sa ibang lugar, naging pagkabigo ito sa pamamahala at pagkakasunod-sunod. Kaya't ito ay tiyak na tamang tugon.

Kasalukuyang natagpuan ko ang isang napakaganda na pag-aaral sa simulasyon: Ano ang mangyayari kung gagawin mong simulan ng mga AI agent ang pag-uugali ng karaniwang mamimili – at pagkatapos ay subukan ang mga kampanya sa pagmemarketing sa kanila bago ilunsad ang anumang bagay sa totoong mundo? Nilikha ng mga mananaliksik ang isang maliit na virtual na bayan at pinopopulate ito ng mga AI agent. Tanging 11 na agent at 10 na lokasyon. Ang bawat agent ay may: • isang budget • isang antas ng enerhiya • mga pangangailangan sa pagkain at pagbili • memorya • mga sosyal na koneksyon • sariling persona Pagkatapos, ginawa ng DeepSeek-V3 ang kanilang mga plano, usapan, at desisyon sa pagbili. Kaya nagtrabaho ang mga agent, kumain, nag-usap sa isa’t isa, natandaan ang mga bagay, inanyayahan ang mga kaibigan sa isang lugar – at nagsagawa nang independiyenteng desisyon kung saan babayaran ang pera. Ang totoong eksperimento ay napakasimple lamang: Isang tindahan ng fried chicken ay nagbigay ng 20% discount sa gitna ng linggo. Pinanood ng mga mananaliksik kung ano ang nangyari. • Kumita ng 51% ang tindahan mula sa Araw 2 hanggang Araw 3 – kahit pagkatapos (!) ng discount. • Lumaki ang kanilang bahagi sa merkado mula sa 30% sa Araw 1 hanggang 41% sa Araw 3. • Ngunit hindi talaga lumaki ang BUONG merkado. Kaya hindi naglikha ang discount ng maraming bagong demand – kundi karamihan ay nagdala ng mga customer mula sa isang kalaban. • Nawalan ng bahagi sa merkado ang lokal na diner at bumaba ang kita nito ng 7%. • Nanatiling relatibong stable ang tindahan ng kape. Higit pa rito, ang pinakamalakas na epekto ay hindi nangyari agad. Ipinapaliwanag ng mga may-akda na ito ay dahil sa pagkalat ng impormasyon sa sosyal na network ng mga agent: nag-usap sila, nagplano nang magkasama, inanyayahan ang mga kaibigan – at tumataas ang interes sa lugar sa pamamagitan ng kanilang interaksyon. Ang simulasyon ay nagbigay din ng isang bagay na tila katulad ng loyalti: ilan sa mga agent ay bumalik sa tindahan ng fried chicken habang may promo, habang nanatili ang diner sa mas malawak na atraksyon kahit walang discount. Kaya sa teoriya, maaaring gamitin ng mga marketer ang ganitong sistema upang subukan: • discount • promo • pagbabago sa presyo • paglunsad ng bagong produkto • mga kompetitibong skenaryo sa synthetic na mga consumer bago pumasok sa totoong merkado. Ngunit may isang napakahalagang BUT. Ito ay patuloy pa ring proof of concept, hindi ebidensya na maaaring magpalaya nang tumpak ang AI sa paghuhula ng totoong pag-uugali ng tao. Ang simulasyon ay may tanging 11 na agent. Ang kanilang mga desisyon ay malaki ang depende sa disenyo ng prompt, napiling LLM, mga patakaran ng kapaligiran, at kahit paano itinayo ang virtual na bayan. Sa aking opinyon, ito ay tiyak na isang bagay na dapat subaybayan. Dahil kung ma-calibrate nang tama ang ganitong mga simulasyon sa totoong mundo data, bahagi na lamang ng CustDev, pricing experiments, at campaign testing ay mangyayari muna sa AI agents – at pagkatapos lamang sa mga tao.

BTW, sinumpa ng @Revolut na ipinahayag nila ang impormasyon ng customer pagkatapos makatanggap ng fraudulent na hiling mula sa isang email address na gumagamit ng isang legal na domain ng gobyerno. Ang mga ipinahayag na impormasyon ay nagsasama ng mga dokumento ng pagkakakilanlan at maaaring kasama rin ang verification selfies at kasaysayan ng transaksyon. Sinabi ng Revolut na hindi naapektuhan ang pera ng customer, ngunit hindi ito nagiging walang panganib ang pagkakalantad. Maaaring gamitin ang mga detalyeng ito upang makapag-impostor o gawing mas kumbinsente ang isang scam message. Sa tingin ko, dapat nating hingin ang tamang paliwanag kung paano nakapasok ang mga hiling na iyon sa kanilang mga pagsusuri, ano ang kanilang binago, at anong suporta ang tatanggap ng mga naapektuhanding customer, imbes na mga pangkalahatang pahayag.

Ilan sa mga bagay ang nakatangi sa akin sa artikulong ito tungkol sa compute markets, kung saan ang mga kumpanya ng AI ay bumibili ng access sa GPUs ng iba upang matutunan ang mga modelo o patakbuhin ang kanilang mga serbisyo ↓ → Patuloy pa ring nangyayari ang GPU deals sa group chats Ang maraming kapasidad na ito ay patuloy pang binibili sa pamamagitan ng brokers, pribadong deal, at group chats. Ang paghahambing ng presyo sa iba’t ibang provider ay isang kalituhan. Sa totoo lang, medyo kakaibang bagay ito sa pagtingin kung gaano kalayo ang teknolohiyang ito. → Maaaring makatrabaho ang compute tulad ng kuryente Ayon sa artikulo, maaaring maging commodity market ang pag-rent ng GPU, kasama ang mga benchmark ng presyo at mga kontrata upang pamahalaan ang mga hinaharap na gastos. Ang mga merkado ng kuryente ay nagsimulang dumaraan sa parehong pagbabago noong 1990s habang inuunlad nila ang kanilang pagkakaroon ng kompetisyon. → Ang parehong chip ay hindi nangangahulugan ng parehong deal Ang lokasyon, reliability, at mga kondisyon ng pag-rent ay nakakaapekto sa presyo. Ang murang access sa GPU na maaaring mainterrupt ay iba talaga mula sa garantisadong availability. Kailangan ng isang AI chatbot na manatiling available para sa mga user, habang ang isang kumpanya na gumagamit ng AI upang i-label ang mga imahe sa gabi ay maaaring tanggapin ang mga pagpapahinga upang mabawasan ang gastos. → Ang NVIDIA ay praktikal na ang sentral na bangko para sa compute Ang kanilang schedule ng paglabas ay nakakaapekto sa bilis kung gaano kalakas mawawala ang halaga ng mas lumang mga GPU, at samantala ay nakikinabang din ito sa pagpapanatili ng paggamit ng umiiral na mga GPU, dahil ang demand para sa kapasidad na ito ay nagbibigay-daan sa mga operator ng data center na bumili ng higit pang chips. → Ang pagkakataon ay lumalawak pa sa pag-rent ng GPUs Ang mga kumpanya ay nagtatrabaho rin sa mga tool para sa pagtatakda ng presyo, trading platforms, pagpapautang, at insurance. Ang paniniwala ng may-akda ay ang mga kumpanya na nag-uugnay ng reliable na access sa GPU kasama ang mga serbisyong pinansyal ay maaaring magkaroon ng advantage. Sinasabi ng Silicon Data na sinusubaybayan nila ang 95% ng mga neocloud GPU provider at 100% ng mga pangunahing hyperscaler. Ang data sa pag-rent na ito ay nagsisilbing batayan upang bumuo ng daily pricing benchmarks para sa compute. Kaya naniniwala ako na ito ay nagbibigay sa atin ng isang tingin kung paano maaaring lumawak ang pag-rent ng GPUs patungo sa mas malawak na financial market.

Ito ay isa pang paraan upang bigyan ng eksposur sa crypto ang tradisyonal na mga investor nang hindi sila lumalabas sa kanilang brokerage account. Napatunayan na ng IBIT ng @BlackRock ang modelo. Bumibili ang mga tao ng mga bahagi upang makakuha ng eksposur sa Bitcoin. Ang pondo ay may $61.6B na net assets. Ginagawa rin ng FETH ng @Fidelity ang parehong bagay para sa ETH. Gumagana sa pamamagitan ng karaniwang brokerage account at mga kwalipikadong retirement account. Walang kailangang i-setup ang wallet. Ang appeal ay malinaw: idagdag ang crypto sa account na ginagamit mo na para sa mga stocks, iwasan ang pagpapatakbo ng wallet, seed phrase, at setup ng staking. Nakakainteres makita kung gaano karaming pera mula sa TradFi ang talagang pumapasok sa TRX mula dito.

Bruh, wala akong naririnig na mga hacker ang nagbabalik ng pera lol. Nakakita ng isang bug sa @Liquid_BTC na nagbigay sa kanila ng kakayahang lumikha ng hindi suportadong L-BTC, pagkatapos ay mag-withdraw ng halos 4,000 real BTC mula sa reserve. Binalik nila ang 3,400 BTC pagkatapos i-patch ni @Blockstream, ngunit nanatili pa rin sila sa halos 598 BTC, na may halagang humigit-kumulang $47M. Maaaring mayroong kasunduan sa likod, ngunit ang pagkuha ng $320M muna at pagpanatili ng $47M ay isang lubos na nakakagulat na paraan ng pag-negosyo.