Маркетингова аналітика та правильне відстеження джерел отримують 🥀 Ще одна тенденція, яку я останнім часом помічаю: традиційна маркетингова аналітика стає все менш надійною. По-перше, поведінка користувачів зараз набагато складніша. Фанел, де людина бачить пост у X, шукає продукт у Google, порівнює варіанти за допомогою ШІ, читає відгуки на Reddit, а потім з’являється як Direct або Organic — сьогодні це абсолютно нормально. А ще додалася ШІ-трафік і вся нестабільність, що з ним пов’язана. Ось свіжий приклад: У жовтні ChatGPT протягом кількох днів неправильно передавав дані utm_source і referrer. У GA4 виглядало, ніби трафік з ChatGPT раптово знизився на 22–57%, тоді як насправді значна частина цих відвідувань просто перейшла до Direct. Крім того, більше половини веб-трафіку зараз — це боти, що означає, що стандартні показники трафіку стають все менш репрезентативними щодо реальної людської поведінки. Тож у 2026 році вже небезпечно дивитися лише на один інструмент і робити висновок: «Цей канал зростає» або «Цей канал мертвий». Потрібно аналізувати кілька сигналів одночасно: прямий трафік, пошуковий запит з назвою бренду, MMM, реальні відповіді LLM і конверсії. І чесно — старий добрий запит «Як ви про нас дізналися?» з кожним днем виглядає все менш погано :)

Хочу коротко розповісти, що може CopyCheck: • Мої активи: перевірте поточну вартість, нереалізовані прибутки/збитки та ціни беззбитковості. Спробуйте різні рухи ринку, щоб побачити, як вони вплинуть на ваші пакети. • Перегляд угод з гаманця: перегляньте до п’яти гаманців @solana за період до 90 днів. Фільтруйте збитки та перевіряйте окремі покупки, продажі та посилання на транзакції. • Порівняння двох гаманців: побачте, як ціни входу та виходу вплинули на прибутковість відповідних придатних угод. Вам не потрібно під’єднувати свій гаманець (на мою думку, сьогодні це справжній бар’єр). Ви також можете переглядати снапшоти ринку токенів, відкривати посилання на графіки та експортувати свої звіти (зауважте: усі результати угод показано до сплати комісій). Відео демонструє процес перегляду гаманця, але у статті детальніше розглядаються розрахунки та обмеження. Напишіть, що ви думаєте!

Це гарна стаття про те, як вони масштабували розповсюдження, але в ній нічого не згадується про: → Ціноутворення → Перехід від безкоштовного до платного → Відтік → Витрати на креаторів → Витрати на реклами → Маржі прибутку Як саме вони перетворили весь цей трафік на $150K місячного доходу?

Була одна річ, про яку я ніколи досі не думав: Зараз, коли Meta, Google, ChatGPT тощо починають запускати AI-оголошення, яка ймовірність того, що рекламодавці платитимуть за досягнення користувачів, які все одно купили б цей продукт — без оголошення? Я почав про це думати після прочитання цього дослідження про «призрачну атрибуцію». У ньому аналізувалося, як працює таргетинг користувачів у Retail Media Networks (RMN), таких як Amazon Ads, Walmart Connect та Instacart Ads — і виявилося, що моделі були упередженими. Автоматизовані моделі ставок RMN природньо націлюються на користувачів, які вже мають високу ймовірність купити продукт (наприклад, людей, які купували цей бренд 5 разів цього місяця). Потім AI-панель показує величезний ROAS (дохід від витрат на рекламу), і рекламодавці продовжують витрачати. Але випадкові контрольовані експерименти показали, що до 70% цих продажів були не додатковими. Користувач все одно купив би цей товар. Штучний інтелект просто присвоював собі заслуги за органічну поведінку, приховуючи масштабну витрату рекламного бюджету. Лякаюче.

Грантовий капітал — це не вільний грош. Я маю дуже мало співчуття до команд, які ставляться до нього як до такого. Для контексту: я маю на увазі грант @limitlessdefi у розмірі 75 000 токенів ARB для стимулювання ліквідності на @arbitrum. Я дізнався від Комітету нагляду Arbitrum, що проект обміняв увесь грант на USDC і перевів його на Base. Пізніше здається, що проект припинив діяльність. Команді було надано термін до 10 вересня, щоб пояснити, що відбулося, або повернути кошти. Вони нічого не зробили. Зараз Arbitrum голосує за постійний заборону засновників від майбутніх програм DAO. Якщо екосистема надає вам капітал для конкретної мети, а ви переносите всю суму кудись інше — це стає невдачею у губернансі та відповідальності. Тож це, безумовно, правильна відповідь.

Тільки що натрапив на дуже цікаве симуляційне дослідження: Що відбудеться, якщо змусити AI-агентів симулювати поведінку звичайних покупців — і тестувати маркетингові кампанії на них перед запуском у реальному світі? Дослідники створили невелике віртуальне містечко і заселили його AI-агентами. Лише 11 агентів і 10 локацій. Кожен агент мав: • бюджет • рівень енергії • потреби в їжі та покупках • пам’ять • соціальні зв’язки • власну персональність Потім DeepSeek-V3 генерував їхні плани, розмови та рішення щодо покупок. Агенти почали діяти: їли, спілкувалися між собою, пам’ятали речі, запрошували друзів кудись — і самостійно вирішували, де витрачати гроші. Сам експеримент був дуже простим: один магазин смаженого курчатка запропонував знижку 20% посередині тижня. Дослідники спостерігали, що відбувається. • Дохід магазину збільшився на 51% з другого на третій день — навіть після (!) закінчення знижки. • Його частка ринку зросла з 30% у перший день до 41% у третій. • Але ЗАГАЛЬНИЙ ринок не збільшився суттєво. Отже, знижка не створила значної нової попиту — вона переважно відволікла клієнтів від конкурента. • Місцевий ресторан втратив частку ринку і побачив падіння доходу на 7%. • Кав’ярня залишилася відносно стабільною. Ще цікавіше те, що найсильніший ефект не виник негайно. Автори інтерпретують це як поширення інформації через соціальну мережу агентів: вони спілкувалися, планували разом, запрошували друзів — і інтерес до місця зростав завдяки їхнім взаємодіям. Симуляція також породила щось на зразок лояльності: деякі агенти поверталися до магазину смаженого курчатка під час акції, тоді як ресторан зберігав ширший попит навіть без знижок. Таким чином, теоретично такі системи можуть дозволити маркетологам тестувати: • знижки • акції • зміни цін • запуски нових продуктів • конкурентні сценарії на синтетичних споживачах, перш ніж виходити на реальний ринок. Але є дуже важливий АЛЕ. Це все ще доказ концепції, а не підтвердження того, що AI може надійно передбачати реальну людську поведінку. Симуляція мала лише 11 агентів. Їхні рішення сильно залежать від дизайну промптів, обраного LLM, правил середовища та навіть того, як побудоване віртуальне містечко. На мою думку, це точно те, за чим варто стежити. Бо якщо ці симуляції колись будуть правильно калібруванні на реальних даних, частина CustDev, цінових експериментів і тестування кампаній може спочатку відбуватися на AI-агентах — а лише потім на людях.

Тим часом, @Revolut підтвердила, що розкрила інформацію клієнтів після отримання шахрайських запитів з електронної пошти, що використовувала домен легітимного державного агентства. Згідно з повідомленнями, відкритою інформацією були документи, що підтверджують особистість, а також можливо — верифікаційні селфі та історії транзакцій. Revolut стверджує, що кошти клієнтів не постраждали, але це не робить витік безпечним. Ці дані можуть допомогти хтось імітувати клієнта або зробити шахрайське повідомлення набагато більш переконливим. Я вважаю, що ми повинні вимагати чіткого пояснення того, як ці запити пройшли їхні перевірки, що вони змінили та яку підтримку отримають постраждалі клієнти, замість загальних заяв.

Декілька речей звернули на себе увагу в цьому матеріалі про ринки обчислювальних ресурсів, де компанії з ІІ купують доступ до чужих GPU для навчання моделей або запуску своїх сервісів ↓ → Угоди з GPU все ще укладаються в чатах Багато цієї обчислювальної потужності все ще купується через брокерів, приватні угоди та групові чати. Порівняння цін між постачальниками — це хаос. Відверто кажучи, це досить дивно, враховуючи, наскільки далеко просунулася ця технологія. → Обчислювальні ресурси можуть торгуватися як електроенергія У статті стверджується, що оренда GPU може перетворитися на товарний ринок із базовими ціновими показниками та контрактами для управління майбутніми витратами. Ринки електроенергії почали проходити схожу трансформацію в 1990-х роках, коли вони відкрилися для конкуренції. → Один і той самий чіп не означає однакову угоду Місцезнаходження, надійність та умови оренди впливають на ціну. Дешевий доступ до GPU, який може бути перерваний, — це зовсім інше, ніж гарантована доступність. AI-чат-боту потрібно залишатися доступним для користувачів, тоді як компанія, яка використовує ІІ для позначення зображень протягом ночі, може погодитися на перерви, щоб заплатити менше. → NVIDIA майже є центральним банком для обчислень Її графік випуску впливає на швидкість, з якою старші GPU втрачають вартість, а також користується з того, що підтримує завантаження існуючих GPU, оскільки попит на цю обчислювальну потужність надає операторам дата-центрів підставу для покупки більше чипів. → Можливості поширюються за межі оренди GPU Компанії також працюють над інструментами ціноутворення, торговими платформами, кредитуванням та страхованим. Автор вважає, що компанії, які поєднують надійний доступ до GPU з цими фінансовими сервісами, матимуть перевагу. Silicon Data стверджує, що вона відстежує 95% постачальників GPU neocloud та 100% основних гіпермасштабних провайдерів. Ці дані про оренду вже використовуються для створення щоденних цінових показників для обчислень. Отже, я думаю, що це дає нам уявлення про те, як оренда GPU може перетворитися на ширший фінансовий ринок.

Це ще один спосіб надати традиційним інвесторам доступ до криптовалют, не виходячи зі свого брокерського акаунту. @BlackRock IBIT вже довів цю модель. Люди купують акції, щоб отримати експозицію до bitcoin. Фонд утримує $61,6 млрд чистих активів. @Fidelity FETH робить те саме для ETH. Працює через звичайні брокерські акаунти та придатні пенсійні акаунти. Немає потреби налаштовувати гаманець. Апеляція очевидна: додайте криптовалюту до акаунту, який ви вже використовуєте для акцій, і не турбуйтесь про управління гаманцем, seed-фразами та налаштуванням стейкінгу. Цікаво подивитися, скільки грошей з TradFi справді потрапить у TRX через це.

Брух, я ніколи не чув, щоб хакери повертали гроші, ха-ха. Хтось знайшов баг у @Liquid_BTC, який дозволив їм створювати непідтримувані L-BTC, а потім вивести майже 4 000 реальних BTC з резерву. Вони повернули 3 400 BTC після того, як @Blockstream виправив це, але все ще залишили близько 598 BTC, що становить приблизно $47 млн. Можливо, за кулисами була угоду, але спочатку забрати $320 млн і залишити $47 млн — це досить безумний спосіб вести переговори.