Analitik pemasaran dan atribusi yang tepat semakin 🥀 Tren lain yang baru-baru ini saya perhatikan adalah bahwa analitik pemasaran tradisional menjadi semakin kurang andal. Pertama, perilaku pengguna sendiri kini jauh lebih kompleks. Fungsi funnel di mana seseorang melihat postingan di X, mencari produk di Google, membandingkan pilihan dengan AI, membaca ulasan di Reddit, lalu muncul sebagai Direct atau Organic sekarang sudah sangat normal. Dan ditambah lagi, kini kita memiliki lalu lintas AI dan semua ketidakstabilan yang menyertainya. Berikut contoh terbaru: Pada Oktober, ChatGPT berhenti mengirimkan data utm_source dan referrer dengan benar selama beberapa hari. Di GA4, tampaknya lalu lintas ChatGPT tiba-tiba turun 22–57%, padahal sebenarnya sebagian besar kunjungan tersebut hanya berpindah ke kategori Direct. Selain itu, lebih dari separuh lalu lintas web sekarang adalah bot, yang berarti angka lalu lintas standar semakin kurang mewakili perilaku manusia sesungguhnya. Jadi pada 2026, sudah berisiko hanya melihat satu dasbor dan menyimpulkan bahwa “saluran ini tumbuh” atau “saluran ini mati.” Anda perlu melihat beberapa sinyal sekaligus: lalu lintas langsung, pencarian merek, MMM, jawaban LLM aktual, dan konversi. Dan jujur saja, pertanyaan lama yang baik “Bagaimana Anda mendengar tentang kami?” semakin terlihat kurang buruk setiap hari :)

Ingin memberi Anda gambaran singkat tentang apa yang bisa dilakukan CopyCheck: • Portofolio saya: periksa nilai saat ini, keuntungan/kerugian belum terealisasi, dan harga impas. Coba berbagai pergerakan pasar untuk melihat bagaimana dampaknya terhadap portofolio Anda. • Tinjau perdagangan dompet: tinjau hingga lima dompet @solana dalam rentang tanggal hingga 90 hari. Saring kerugian dan periksa pembelian, penjualan, serta tautan transaksi individu. • Bandingkan dua dompet: lihat bagaimana harga masuk dan keluar memengaruhi return pada perdagangan yang sesuai dan memenuhi syarat. Anda tidak perlu menghubungkan dompet Anda (saya rasa saat ini ini adalah keunggulan nyata). Anda juga dapat melihat snapshot pasar token, membuka tautan grafik, dan mengekspor laporan Anda (FYI, semua hasil perdagangan ditampilkan sebelum biaya). Video menunjukkan alur tinjauan dompet, tetapi artikel membahas perhitungan dan batasan secara lebih rinci. Katakan pendapat Anda!

Ini adalah artikel yang bagus tentang bagaimana mereka menskalakan distribusi, tetapi tidak menyebutkan apa pun tentang: → Harga → Konversi gratis ke berbayar → Churn → Biaya kreator → Pengeluaran iklan → Margin keuntungan Bagaimana tepatnya mereka mengubah seluruh lalu lintas tersebut menjadi pendapatan $150K/bulan?

Ada sesuatu yang sebelumnya tidak pernah saya pertimbangkan: Sekarang bahwa Meta, Google, ChatGPT, dll. mulai meluncurkan Iklan AI, berapa besar kemungkinan pengiklan akhirnya membayar untuk menjangkau pengguna yang sebenarnya akan membeli layanan tersebut—tanpa iklan? Saya mulai memikirkan hal ini setelah membaca studi tentang jebakan “ghost attribution”. Studi tersebut meneliti bagaimana penargetan pengguna bekerja pada Jaringan Media Ritel (RMNs) seperti Amazon Ads, Walmart Connect, dan Instacart Ads—dan menemukan bahwa model-model tersebut bias. Model penawaran otomatis RMN secara alami menargetkan pengguna yang sudah sangat mungkin membeli produk (misalnya, orang yang telah membeli merek tersebut lima kali bulan ini). Kemudian, dashboard AI menampilkan Return on Ad Spend (ROAS) yang sangat tinggi, sehingga pengiklan terus mengeluarkan anggaran. Namun, uji coba terkontrol acak menunjukkan bahwa hingga 70% penjualan ini bersifat non-incremental. Konsumen akan membeli barang tersebut tetap, tanpa iklan. AI pada dasarnya mengklaim kredit atas perilaku organik, menyamarkan pemborosan anggaran iklan yang besar. Menakutkan.

Modal hibah bukanlah uang gratis. Saya memiliki sedikit simpati terhadap tim yang memperlakukannya seolah-olah itu uang gratis. Sebagai konteks, saya membicarakan hibah @limitlessdefi sebesar 75.000 token ARB untuk mendorong likuiditas di @arbitrum. Saya membaca dari Komite Pengawas Arbitrum bahwa proyek tersebut menukar seluruh hibah menjadi USDC dan menjembatani ke Base. Proyek tersebut kemudian tampaknya berhenti beroperasi. Tim tersebut kemudian diberi waktu hingga 10 September untuk menjelaskan apa yang terjadi atau mengembalikan dana tersebut. Mereka tidak melakukan salah satu dari keduanya. Sekarang Arbitrum sedang memungut suara untuk secara permanen melarang pendiri proyek dari program DAO masa depan. Jika sebuah ekosistem memberikan modal Anda untuk tujuan spesifik dan Anda memindahkan seluruh jumlahnya ke tempat lain, itu menjadi kegagalan tata kelola dan akuntabilitas. Jadi ini pasti respons yang tepat.

Baru saja menemukan studi simulasi yang sangat menarik: Apa yang terjadi jika Anda membuat agen AI mensimulasikan perilaku pembeli biasa—lalu menguji kampanye pemasaran pada mereka sebelum meluncurkan apa pun di dunia nyata? Para peneliti membangun sebuah kota virtual kecil dan mengisinya dengan agen AI. Hanya 11 agen dan 10 lokasi. Setiap agen memiliki: • anggaran • tingkat energi • kebutuhan makanan dan belanja • memori • koneksi sosial • kepribadian sendiri Kemudian DeepSeek-V3 menghasilkan rencana, percakapan, dan keputusan pembelian mereka. Jadi para agen mulai bekerja, makan, berbicara satu sama lain, mengingat hal-hal, mengundang teman ke suatu tempat—dan secara mandiri memutuskan di mana menghabiskan uang. Eksperimen sebenarnya sangat sederhana: Salah satu toko ayam goreng menawarkan diskon 20% di tengah minggu. Para peneliti kemudian mengamati apa yang terjadi. • Pendapatan toko meningkat sebesar 51% dari Hari 2 ke Hari 3—bahkan setelah (!) diskon berakhir. • Pangsa pasarnya meningkat dari 30% di Hari 1 menjadi 41% di Hari 3. • Namun, pasar secara keseluruhan tidak benar-benar tumbuh. Jadi diskon tidak menciptakan banyak permintaan baru—sebagian besar hanya menarik pelanggan dari pesaing. • Restoran lokal kehilangan pangsa pasar dan melihat pendapatan turun sebesar 7%. • Toko kopi tetap stabil secara relatif. Yang lebih menarik lagi, efek terkuat tidak terjadi segera. Penulis menginterpretasikan hal ini sebagai penyebaran informasi melalui jaringan sosial agen: mereka berbicara, merencanakan bersama, mengundang teman—dan minat terhadap tempat tersebut meningkat melalui interaksi mereka. Simulasi ini juga menghasilkan sesuatu yang tampak seperti loyalitas: beberapa agen kembali ke toko ayam goreng selama promosi, sementara restoran tetap memiliki daya tarik yang lebih luas bahkan tanpa diskon. Jadi secara teori, sistem semacam ini bisa memungkinkan pemasar untuk menguji: • diskon • promosi • perubahan harga • peluncuran produk baru • skenario kompetitif pada konsumen sintetis sebelum memasuki pasar nyata. Tetapi ada SATU BUTIR PENTING. Ini masih merupakan bukti konsep, bukan bukti bahwa AI dapat memprediksi perilaku manusia nyata secara andal. Simulasi ini hanya memiliki 11 agen. Keputusan mereka sangat bergantung pada desain prompt, LLM yang dipilih, aturan lingkungan, dan bahkan bagaimana kota virtual tersebut disusun. Menurut saya, ini pasti sesuatu yang patut diawasi. Karena jika simulasi ini suatu hari nanti dikalibrasi dengan benar menggunakan data dunia nyata, sebagian dari CustDev, eksperimen harga, dan pengujian kampanye mungkin akan dilakukan terlebih dahulu pada agen AI—baru kemudian pada manusia.

BTW, @Revolut mengonfirmasi bahwa mereka mengungkapkan informasi pelanggan setelah menerima permintaan penipuan dari alamat email yang menggunakan domain lembaga pemerintah yang sah. Informasi yang terungkap dilaporkan mencakup dokumen identitas dan mungkin juga termasuk selfie verifikasi serta riwayat transaksi. Revolut menyatakan dana pelanggan tidak terdampak, tetapi hal itu tidak membuat eksposur ini tidak berbahaya. Detail-detail tersebut bisa membantu seseorang menyamar sebagai pelanggan atau membuat pesan penipuan jauh lebih meyakinkan. Saya pikir kita seharusnya meminta penjelasan yang jelas tentang bagaimana permintaan tersebut lolos dari pemeriksaan mereka, apa yang telah mereka ubah, dan dukungan apa yang akan diberikan kepada pelanggan yang terdampak, bukan hanya pernyataan umum.

Beberapa hal menonjol bagi saya dalam artikel ini tentang pasar komputasi, di mana perusahaan AI membeli akses ke GPU milik orang lain untuk melatih model atau menjalankan layanan mereka ↓ → Kesepakatan GPU masih terjadi di grup chat Banyak daya komputasi tersebut masih dibeli melalui broker, kesepakatan pribadi, dan grup chat. Membandingkan harga di antara penyedia adalah hal yang berantakan. Sejujurnya, itu agak gila mengingat sejauh mana teknologi ini telah berkembang. → Komputasi bisa diperdagangkan seperti listrik Artikel ini berargumen bahwa penyewaan GPU bisa menjadi pasar komoditas, dengan patokan harga dan kontrak untuk mengelola biaya masa depan. Pasar listrik mulai mengalami pergeseran serupa pada tahun 1990-an ketika mereka terbuka terhadap persaingan. → Chip yang sama tidak berarti kesepakatan yang sama Lokasi, keandalan, dan syarat penyewaan semuanya memengaruhi harga. Akses GPU murah yang bisa terputus-putus jauh berbeda dari ketersediaan yang dijamin. Sebuah chatbot AI perlu tetap tersedia bagi pengguna, sementara perusahaan yang menggunakan AI untuk memberi label gambar semalaman mungkin menerima jeda demi membayar lebih murah. → NVIDIA pada dasarnya adalah bank sentral untuk komputasi Jadwal rilisnya memengaruhi seberapa cepat GPU lama kehilangan nilainya, dan juga menguntungkan karena menjaga GPU yang sudah ada tetap sibuk, karena permintaan atas daya komputasi itu memberi alasan bagi operator pusat data untuk membeli lebih banyak chip. → Peluangnya melampaui penyewaan GPU Perusahaan juga sedang mengembangkan alat penetapan harga, platform perdagangan, pinjaman, dan asuransi. Tebakan penulis adalah bahwa perusahaan yang menggabungkan akses GPU andal dengan layanan keuangan tersebut bisa memiliki keunggulan. Silicon Data mengatakan melacak 95% penyedia GPU neocloud dan 100% hyperscaler utama. Data penyewaan ini sudah digunakan untuk membangun patokan harga harian untuk komputasi. Jadi saya rasa ini memberi kita gambaran tentang bagaimana penyewaan GPU bisa berkembang menjadi pasar keuangan yang lebih luas.

Ini hanyalah cara lain untuk memberikan paparan investor tradisional terhadap kripto tanpa meninggalkan akun broker mereka. @BlackRock's IBIT sudah membuktikan model ini. Orang membeli saham untuk mendapatkan paparan Bitcoin. Dana ini memegang aset bersih senilai $61,6 miliar. @Fidelity's FETH melakukan hal yang sama untuk ETH. Berfungsi melalui akun broker reguler dan akun pensiun yang memenuhi syarat. Tidak diperlukan pengaturan dompet. Daya tariknya jelas: tambahkan kripto ke akun yang sudah Anda gunakan untuk saham, lewati manajemen dompet, seed phrase, dan pengaturan staking. Penasaran seberapa banyak uang TradFi yang benar-benar mengalir ke TRX dari ini.

Bruh, saya belum pernah dengar peretas mengembalikan uang lol. Seseorang menemukan bug di @Liquid_BTC yang memungkinkan mereka membuat L-BTC tanpa jaminan, lalu menarik hampir 4.000 BTC nyata dari cadangan. Mereka mengembalikan 3.400 BTC setelah @Blockstream memperbaikinya, tetapi tetap menyimpan sekitar 598 BTC, senilai sekitar $47 juta. Mungkin ada kesepakatan di balik layar, tetapi mengambil $320 juta terlebih dahulu dan menyisakan $47 juta adalah cara yang sangat gila untuk bernegosiasi.