Analitik pemasaran dan atribusi yang tepat semakin 🥀 Trend lain yang saya perhatikan baru-baru ini ialah analitik pemasaran tradisional menjadi semakin kurang boleh dipercayai. Pertama, tingkah laku pengguna sendiri kini jauh lebih kompleks. Fungsi di mana seseorang melihat pos di X, mencari produk di Google, membandingkan pilihan dengan AI, membaca ulasan di Reddit, dan kemudian muncul sebagai Langsung atau Organik adalah hal biasa hari ini. Dan di atas itu, kita kini mempunyai trafik AI dan semua ketidakstabilan yang menyertainya. Berikut contoh terkini: Pada Oktober, ChatGPT berhenti menghantar data utm_source dan referrer dengan betul selama beberapa hari. Dalam GA4, trafik ChatGPT kelihatan tiba-tiba menurun sebanyak 22–57%, padahal sebenarnya sebahagian besar kunjungan tersebut hanya berpindah ke kategori Langsung. Selain itu, lebih daripada separuh trafik web kini adalah bot, yang bermakna nombor trafik standard menjadi semakin kurang mewakili tingkah laku manusia sebenar. Jadi pada 2026, sudah berisiko untuk melihat satu dashboard sahaja dan menyimpulkan bahawa “saluran ini sedang berkembang” atau “saluran ini mati.” Anda perlu melihat beberapa isyarat secara serentak: trafik langsung, carian jenama, MMM, jawapan LLM sebenar, dan konversi. Dan jujur saja, soalan lama yang baik “Bagaimana anda mendengar tentang kami?” semakin kelihatan kurang buruk setiap hari :)

Ingin memberikan anda gambaran singkat tentang apa yang boleh dilakukan oleh CopyCheck: • Aset saya: semak nilai semasa, keuntungan/kerugian belum direalisasikan, dan harga pulang modal. Cuba pelbagai pergerakan pasaran untuk melihat bagaimana ia akan mempengaruhi portfolio anda. • Semak perdagangan dompet: semak sehingga lima dompet @solana dalam julat tarikh sehingga 90 hari. Saring kerugian dan periksa pembelian, penjualan, dan pautan transaksi individu. • Bandingkan dua dompet: lihat bagaimana harga masuk dan harga keluar mempengaruhi pulangan pada perdagangan yang sepadan dan layak. Anda tidak perlu menyambungkan dompet anda (saya rasa hari ini ini adalah kelebihan sebenar). Anda juga boleh melihat gambaran pasaran token, membuka pautan carta, dan mengeksport laporan anda (FYI, semua hasil perdagangan ditunjukkan sebelum yuran). Video ini menunjukkan aliran semakan dompet, tetapi artikel tersebut membincangkan pengiraan dan had dengan lebih terperinci. Katakan kepada saya pendapat anda!

Ia adalah artikel yang bagus tentang bagaimana mereka memperluas pengagihan, tetapi tidak menyebut apa-apa mengenai: → Harga → Penukaran percuma ke berbayar → Churn → Kos pencipta → Perbelanjaan iklan → Margin keuntungan Bagaimanakah tepatnya mereka menukar semua trafik itu menjadi pendapatan $150K/sebulan?

Ada sesuatu yang tidak pernah saya pertimbangkan sebelumnya: Sekarang bahawa Meta, Google, ChatGPT, dsb. mula melancarkan Iklan AI, berapakah kebarangkalian pengiklan akhirnya membayar untuk menjangkau pengguna yang sudah pasti akan membeli perkhidmatan tersebut—tanpa iklan? Saya mula memikirkan ini selepas membaca kajian tentang perangkap “atribusi hantu”. Kajian ini mengkaji bagaimana penargetan pengguna berfungsi dalam Rangkaian Media Runcit (RMN) seperti Amazon Ads, Walmart Connect, dan Instacart Ads—dan mendapati bahawa model-model tersebut berasaskan bias. Model penawaran automatik RMN secara semulajadi menargetkan pengguna yang sudah sangat mungkin membeli produk (contohnya, orang yang telah membeli jenama tersebut lima kali bulan ini). Kemudian, papan pemuka AI menunjukkan Pulangan atas Perbelanjaan Iklan (ROAS) yang sangat tinggi, dan pengiklan terus mengeluarkan perbelanjaan. Namun, ujian kawalan rawak menunjukkan sehingga 70% jualan ini adalah bukan tambahan. Pengguna akan membeli barang tersebut sama ada dengan atau tanpa iklan. AI pada dasarnya mengambil kredit atas tingkah laku organik, menyembunyikan pembaziran besar-besaran dalam bajet iklan. Menakutkan.

Modal grante bukanlah wang percuma. Saya mempunyai sedikit simpati terhadap pasukan yang memperlakukannya seolah-olah ia begitu. Sebagai konteks, saya berbincang mengenai grante @limitlessdefi sebanyak 75,000 token ARB untuk merangsang likuiditi di @arbitrum. Saya membaca daripada Jawatankuasa Pengawas Arbitrum bahawa projek tersebut bertukar keseluruhan grante kepada USDC dan menghubungkannya ke Base pula. Projek tersebut kemudian kelihatan berhenti beroperasi. Pasukan tersebut kemudian diberi tempoh hingga 10 September untuk menerangkan apa yang berlaku atau mengembalikan dana tersebut. Mereka tidak melakukan mana-mana satu. Sekarang Arbitrum sedang mengadakan undian untuk melarang secara kekal pendirinya daripada program DAO masa depan. Jika sebuah ekosistem memberikan modal kepada anda untuk misi tertentu dan anda memindahkan keseluruhan jumlah tersebut ke tempat lain, ia menjadi kegagalan tadbir urus dan tanggungjawab. Jadi, ini pastinya tindakan yang betul.

Baru saja menemui satu kajian simulasi yang sangat menarik: Apa yang berlaku jika anda menjadikan agen AI mensimulasikan tingkah laku pembeli biasa – dan kemudian menguji kempen pemasaran terhadap mereka sebelum melancarkan apa-apa di dunia nyata? Para penyelidik membina sebuah bandar maya kecil dan mengisinya dengan agen AI. Hanya 11 agen dan 10 lokasi. Setiap agen mempunyai: • bajet • tahap tenaga • keperluan makanan dan belanja • ingatan • hubungan sosial • personaliti sendiri Kemudian DeepSeek-V3 menghasilkan rancangan, perbualan, dan keputusan pembelian mereka. Jadi, agen-agen itu mula bekerja, makan, berbual antara satu sama lain, mengingati perkara, menjemput rakan ke suatu tempat – dan secara bebas memutuskan di mana untuk mengeluarkan wang. Eksperimen sebenar sangat mudah: Satu kedai ayam goreng menawarkan diskaun 20% di tengah minggu. Para penyelidik kemudian memantau apa yang berlaku. • Pendapatan kedai itu meningkat sebanyak 51% dari Hari 2 ke Hari 3 – walaupun (!) selepas diskaun. • Kedudukan pasarnya meningkat dari 30% pada Hari 1 kepada 41% pada Hari 3. • Tetapi pasaran keseluruhan tidak benar-benar bertambah. Jadi, diskaun itu tidak mencipta permintaan baru yang banyak – ia sebaliknya menarik pelanggan daripada pesaing. • Kedai makan tempatan kehilangan bahagian pasaran dan melihat pendapatan turun sebanyak 7%. • Kedai kopi kekal stabil. Lebih menarik lagi, kesan paling kuat tidak berlaku secara serta-merta. Penulis menginterpretasikan ini sebagai maklumat yang merebak melalui rangkaian sosial agen-agen: mereka berbual, merancang bersama, menjemput rakan – dan minat terhadap tempat itu meningkat melalui interaksi mereka. Simulasi ini juga menghasilkan sesuatu yang kelihatan seperti kesetiaan: beberapa agen kembali ke kedai ayam goreng semasa promosi, manakala kedai makan terus menarik pelbagai pelanggan walaupun tanpa diskaun. Jadi, secara teori, sistem seperti ini boleh membolehkan pemasar menguji: • diskaun • promosi • perubahan harga • pelancaran produk baru • senario persaingan terhadap pengguna sintetik sebelum memasuki pasaran sebenar. Tetapi ada satu “TETAPI” yang sangat penting. Ini masih merupakan bukti konsep, bukan bukti bahawa AI boleh meramal tingkah laku manusia sebenar dengan boleh dipercayai. Simulasi ini hanya mempunyai 11 agen. Keputusan mereka sangat bergantung kepada reka bentuk prompt, LLM yang dipilih, peraturan persekitaran, dan bahkan bagaimana bandar maya itu disusun. Menurut saya, ini pasti sesuatu yang perlu dipantau. Kerana jika simulasi ini akhirnya dikalibrasi dengan betul berdasarkan data dunia nyata, sebahagian daripada CustDev, eksperimen harga, dan pengujian kempen mungkin akan berlaku terlebih dahulu terhadap agen AI – dan baru kemudian terhadap manusia.

Ngomong-ngomong, @Revolut mengesahkan bahawa mereka mengungkapkan maklumat pelanggan selepas menerima permintaan penipuan daripada alamat e-mel yang menggunakan domain agensi kerajaan yang sah. Maklumat yang terdedah dilaporkan termasuk dokumen identiti dan mungkin juga termasuk selfie pengesahan dan sejarah transaksi. Revolut menyatakan dana pelanggan tidak terjejas, tetapi itu tidak menjadikan pengungkapan tersebut tidak berbahaya. Maklumat-maklumat tersebut boleh membantu seseorang menyamar sebagai pelanggan atau membuat mesej penipuan menjadi jauh lebih meyakinkan. Saya rasa kita sepatutnya meminta penjelasan yang jelas mengenai bagaimana permintaan tersebut lulus pemeriksaan mereka, apa yang telah mereka ubah, dan apa sokongan yang akan diberikan kepada pelanggan yang terkesan, bukan sekadar pernyataan umum.

Beberapa perkara menonjol kepada saya dalam artikel ini mengenai pasaran komputasi, di mana syarikat AI membeli akses kepada GPU orang lain untuk melatih model atau menjalankan perkhidmatan mereka ↓ → Perjanjian GPU masih berlaku dalam chat kumpulan Banyak kekuatan komputasi ini masih dibeli melalui broker, perjanjian peribadi, dan chat kumpulan. Membandingkan harga antara penyedia adalah rumit. Sejujurnya, ini agak gila mengingat sejauh mana teknologi ini telah berkembang. → Komputasi boleh diperdagangkan seperti elektrik Artikel ini berhujah bahawa penyewaan GPU boleh menjadi pasaran komoditi, dengan tolok harga dan kontrak untuk mengurus kos masa depan. Pasaran elektrik mula mengalami perubahan serupa pada 1990-an apabila dibuka kepada persaingan. → Chip yang sama tidak bermakna perjanjian yang sama Lokasi, kebolehpercayaan, dan syarat penyewaan semuanya mempengaruhi harga. Akses GPU murah yang boleh terganggu jauh berbeza daripada ketersediaan dijamin. Chatbot AI perlu sentiasa tersedia untuk pengguna, manakala syarikat yang menggunakan AI untuk menandakan imej semalaman mungkin menerima jeda untuk membayar lebih rendah. → NVIDIA pada dasarnya adalah bank pusat untuk komputasi Jadual pelancarannya mempengaruhi seberapa pantas GPU lama kehilangan nilai, dan ia juga mendapat keuntungan daripada menjaga GPU sedia ada tetap digunakan, kerana permintaan terhadap kekuatan komputasi ini memberikan alasan kepada operator pusat data untuk membeli lebih banyak cip. → Peluangnya melampaui penyewaan GPU Syarikat-syarikat juga sedang membangunkan alat penetapan harga, platform perdagangan, pinjaman, dan insurans. Tebakan penulis ialah syarikat-syarikat yang menggabungkan akses GPU yang boleh dipercayai dengan perkhidmatan kewangan tersebut boleh memiliki kelebihan. Silicon Data mengatakan ia melacak 95% penyedia GPU neocloud dan 100% hyperscaler utama. Data penyewaan ini sudah digunakan untuk membina tolok harga harian untuk komputasi. Jadi saya rasa ini memberi kita sedikit gambaran tentang bagaimana penyewaan GPU boleh berkembang menjadi pasaran kewangan yang lebih luas.

Ini hanyalah cara lain untuk memberikan paparan kepada pelabur tradisional terhadap kripto tanpa meninggalkan akaun broker mereka. @BlackRock's IBIT sudah membuktikan model ini. Orang membeli saham untuk mendapatkan paparan bitcoin. Dana ini memegang aset bersih sebanyak $61.6B. @Fidelity's FETH melakukan hal yang sama untuk ETH. Berfungsi melalui akaun broker biasa dan akaun persaraan yang layak. Tiada pengaturan dompet diperlukan. Daya tariknya jelas: tambah kripto ke akaun yang sudah anda gunakan untuk saham, lewati pengurusan dompet, frasa benih, dan pengaturan staking. Penasaran untuk melihat berapa banyak wang TradFi yang benar-benar mengalir ke TRX daripada ini.

Bruh, saya tak pernah dengar perompak mengembalikan wang lol. Seseorang menemui kelemahan di @Liquid_BTC yang membolehkan mereka mencipta L-BTC tanpa sokongan, kemudian menarik hampir 4,000 BTC sebenar daripada simpanan. Mereka mengembalikan 3,400 BTC selepas @Blockstream membaikinya, tetapi masih mengekalkan sekitar 598 BTC, bernilai kira-kira $47 juta. Mungkin ada perjanjian di belakang layar, tetapi mengambil $320 juta dahulu dan mengekalkan $47 juta adalah cara yang sangat gila untuk bernegosiasi.