行銷分析與正確的歸因正變得越來越不可靠。 我最近注意到的另一個趨勢是，傳統的行銷分析正變得越來越不可靠。 首先，用戶行為本身現在複雜得多。 如今，一個用戶在 X 上看到貼文、在 Google 搜尋產品、用 AI 比較選項、閱讀 Reddit 評論，然後最終被歸類為「直接」或「自然流量」，已經完全正常。 更何況，我們現在還面臨 AI 流量及其帶來的所有不穩定性。 這裡有一個新鮮的例子： 在十月，ChatGPT 短暫幾天未能正確傳遞 utm_source 和 referrer 數據。 在 GA4 中，看起來 ChatGPT 的流量突然下降了 22–57%，但實際上，這些訪問中的很大一部分只是被歸類為「直接流量」。 此外，超過一半的網站流量來自機器人，這意味著標準的流量數字越來越無法代表真實的人類行為。 因此，在 2026 年，僅憑一個儀表板就斷言「這個渠道正在成長」或「這個渠道已死亡」，已經非常危險。 你需要同時觀察多個信號：直接流量、品牌搜尋、MMM、實際的 LLM 回應以及轉化率。 說實話，那句老掉牙的「您是怎麼知道我們的？」問題，每天看起來都越來越不討厭了 :)
想給大家快速介紹一下 CopyCheck 的功能： • 我的持倉：查看當前價值、未實現盈虧和盈虧平衡價。嘗試不同的市場走勢，看看它們會如何影響你的持倉。 • 查看錢包交易：查看最多五個 @solana 錢包在最多 90 天內的交易記錄。篩選虧損，並檢查個別買入、賣出和交易連結。 • 比較兩個錢包：查看進場價和平倉價如何影響匹配的合資格交易的回報。 你無需連接你的錢包（我認為如今這才是真正的護城河）。 你還可以查看代幣市場快照、打開圖表連結，並匯出你的報告（附註：所有交易結果均顯示為扣費前數值）。 影片展示了錢包審查流程，但文章更詳細地說明了計算方法和限制。 歡迎告訴我你的想法！
這是一篇關於他們如何擴大分發的不錯文章，但完全沒有提到： → 定價 → 免費轉付費 → 用戶流失 → 創作者成本 → 廣告支出 → 利潤率 他們究竟是如何將所有流量轉化為每月 150K 美元的收入的？
有一件事我從來沒有真正考慮過： 如今，Meta、Google、ChatGPT 等平台開始推出 AI 廣告，廣告商最終為觸及那些即使沒有廣告也會購買該服務的用戶支付費用的機率有多大？ 我在閱讀了一項關於「幽靈歸因」陷阱的研究後，開始思考這個問題。該研究探討了零售媒體網絡（RMNs）如 Amazon Ads、Walmart Connect 和 Instacart Ads 上的用戶定位機制，並發現這些模型存在偏見。 自動化的 RMN 出價模型自然會針對那些極有可能購買產品的用戶（例如，本月已購買該品牌五次的人）。隨後，AI 儀表板顯示出極高的廣告支出回報率（ROAS），廣告商便持續投入預算。 但隨機對照試驗顯示，高達 70% 的銷售並非增量銷售——消費者本來就會購買該商品。AI 實際上將有機行為歸功於廣告，掩蓋了廣告預算的巨大浪費。 令人擔憂。
補助資金並非免費的錢。 對於將其視為免費資金的團隊，我毫無同情之心。 為提供背景，我談的是 @limitlessdefi 向 @arbitrum 提供的 75,000 枚 ARB 代幣補助，以激勵流動性。 我從 Arbitrum 的監察委員會得知，該項目將全部補助金兌換為 USDC，並橋接至 Base。此後，該項目似乎已停止運營。 隨後，團隊被給予至 9 月 10 日的期限，解釋發生了什麼或退回資金。 他們兩者都沒有做。 現在，Arbitrum 正在投票決定永久禁止創始人參與未來的 DAO 計畫。 如果一個生態系統為你提供資金以執行特定任務，而你卻將全部資金轉移至他處，這就構成了治理與問責失敗。 因此，這無疑是正確的回應。
剛剛發現一項非常有趣的模擬研究： 如果讓 AI 代理模擬典型購物者的行為，並在實際推出前先對他們測試行銷活動，會發生什麼情況？ 研究人員建立了一個小型虛擬城鎮，並用 AI 代理填滿它。 僅有 11 個代理和 10 個地點。 每個代理都具備： • 一筆預算 • 一個能量值 • 食物與購物需求 • 記憶 • 社會連結 • 自己的個性 接著，DeepSeek-V3 生成了它們的計畫、對話與購買決策。 於是這些代理開始行動：吃飯、彼此交談、記住事情、邀請朋友去某處——並獨立決定在哪裡花錢。 實際實驗非常簡單：一家炸雞店在週中提供 20% 的折扣。 研究人員隨即觀察發生了什麼。 • 從第 2 天到第 3 天，該店的收入增加了 51%——即使在折扣結束後（！）。 • 其市場份額從第 1 天的 30% 上升至第 3 天的 41%。 • 但整體市場並未明顯擴張。 因此，折扣並未創造太多新需求——主要只是將顧客從競爭對手那裡拉走。 • 當地餐廳的市場份額下降，收入減少 7%。 • 咖啡店則相對穩定。 更有趣的是，最強烈的效應並未立即出現。 作者將此解讀為資訊透過代理的社交網絡傳播：他們交談、共同規劃、邀請朋友——興趣透過互動逐漸累積。 模擬還產生了類似忠誠度的現象：一些代理在促銷期間反覆光顧炸雞店，而餐廳即使沒有折扣，仍保有較廣泛的吸引力。 理論上，此類系統可讓行銷人員在進入真實市場前，先對合成消費者測試： • 折扣 • 促銷活動 • 價格變動 • 新產品發布 • 競爭情境 但這裡有一個非常重要的「但是」。 這仍僅是概念驗證，並非證明 AI 能可靠預測真實人類行為。 此模擬僅包含 11 個代理。 它們的決策高度依賴提示設計、所選的 LLM、環境規則，甚至虛擬城鎮的結構方式。 依我見，這絕對是值得關注的發展。 因為如果這些模擬最終能根據真實世界數據正確校準，部分客戶開發、定價實驗與行銷活動測試，可能會先在 AI 代理上進行——然後才在人類身上實施。
另外，@Revolut 確認在收到使用正規政府機構網域的電子郵件地址發出的欺詐請求後，洩露了客戶資料。 據報導，洩露的資料包括身份證明文件，也可能包括驗證用自拍照和交易紀錄。 Revolut 表示客戶資金未受影響，但這並不意味著洩露無害。這些細節可能被用來冒充客戶，或讓詐騙訊息更具說服力。 我認為我們應該要求他們對這些請求如何通過審核、已做出哪些改進，以及受影響客戶將獲得哪些支援提供明確說明，而非僅發表籠統聲明。
這篇關於計算市場的文章中，有幾點讓我印象深刻——AI 公司購買他人 GPU 的存取權限來訓練模型或運行服務 ↓ → GPU 交易仍透過群組聊天進行 大量計算資源仍透過經紀商、私人交易和群組聊天購買。比較不同供應商的價格十分混亂。坦白說，考慮到這項技術已發展到如此程度，這實在有點荒謬。 → 計算資源可像電力一樣交易 文章指出，GPU 租賃可能演變成商品市場，並建立定價基準與合約來管理未來成本。 電力市場在 1990 年代開放競爭時，也經歷了類似的轉變。 → 同一款晶片不等於相同的交易條件 地點、可靠性與租賃條款都會影響價格。價格低廉但可能中斷的 GPU 存取權，與保證可用性的服務截然不同。 AI 聊天機器人需要持續為用戶提供服務，而使用 AI 在夜間標註圖像的公司則可能願意接受中斷以降低費用。 → NVIDIA 基本上是計算資源的中央銀行 其發布時程影響舊款 GPU 的價值衰減速度，同時也因維持現有 GPU 的使用需求，讓資料中心運營商更有動力購買更多晶片。 → 機會不僅限於租賃 GPU 企業還在開發定價工具、交易平台、借貸與保險服務。作者認為，將可靠 GPU 存取權與這些金融服務結合的公司將具有優勢。 Silicon Data 表示，其追蹤了 95% 的新興雲端 GPU 供應商與 100% 的主要超大規模雲端服務商。這些租賃數據已用於建立每日計算資源定價基準。 因此，我認為這讓我們得以一窺 GPU 租賃如何逐步發展成更廣泛的金融市場。
天啊，我從來沒聽過駭客會把錢退回來 lol。 有人發現了 @Liquid_BTC 的一個漏洞，可以創建無備份的 L-BTC，並從備用金中提走近 4,000 枚真實 BTC。 在 @Blockstream 修復漏洞後，他們退回了 3,400 BTC，但仍保留了約 598 BTC，價值約 4,700 萬美元。 也許背後有什麼協議，但先拿走 3.2 億美元，再留下 4,700 萬美元，這簡直是瘋狂的談判方式。
