Модель Атрибуции Александра Игнатенко

5 признаков, что AI нашел не инсайт, а просто красиво назвал очевидную проблему Нобелевский лауреат Даниэль Канеман в книге "Думай медленно... решай быстро" (2011) описал феномен WYSIATI – "то, что ты видишь, и есть всё". Мозг строит убедительную картину из доступных данных и не замечает того, чего нет. ИИ устроен так же: строит связный рассказ из того, что ему дали, и не сигналит о том, чего не хватает. Отсюда растёт главная проблема с AI-инсайтами: они всегда звучат убедительно. Даже когда описывают то, что давно известно. Короче. Команда получает отчёт. Пять пунктов, красивые формулировки. Все соглашаются. На следующей неделе – новый отчёт, тот же ритуал. Вы не одни. Вокруг нас масса команд, где каждый понедельник генерируют AI-отчёт на пять пунктов. Ни один пункт не был реализован. Зато все чувствовали, что "аналитику делают". Причина такого болота как всегда в фундаменте. Нет ничего более бесполезного, чем промпт "найди инсайты". "nj сожженные токены. А как вам такое: не "найди инсайты", а "найди аномалию в этом показателе за последние три недели и предложи одну гипотезу с проверяемым критерием"? Поинтереснее? В общем когда задача конкретная – модель реально помогает: считает отклонения, ищет паттерны, формулирует гипотезу. Без конкретной задачи – красиво упаковывает то, что и так видно. Вам ехать или шашечки? Пять признаков, что ответ модели - это не инсайт: 1. Ты уже это знал. "Конверсия ниже в выходные" – ну да. И что из этого следует? 2. Из него не следует никакого решения про деньги или людей. Если после чтения непонятно, что делать – это наблюдение, не инсайт. 3. Он актуален всегда. Настоящий инсайт привязан к конкретному периоду и ситуации. 4. Для проверки нужно "ещё поанализировать". Инсайт должен быть проверяем прямо сейчас с теми данными, что есть. 5. Эту гипотезу можно опровергнуть. То есть это не теория заговолра как минимум. Канеман получил Нобелевскую в 2002-м. WYSIATI никуда не делся. ИИ, обученный на человеческих текстах, воспроизводит эту же черту: уверенно говорит о том, что видит. Молчит о том, чего нет. А как вы обычно ставите задачу модели –"найди инсайты" или уже с конкретным вопросом и периодом? @marketing_analysis

Ваши метрики из Meta, Google Analytics и CRM показывают разные цифры? Это не баг и не случайность. Записал видео, где разбираю реальный кейс: международная онлайн-школа теряла контроль над бюджетом, потому что данные существенно расходились между кабинетами. Причина оказалась в некорректных настройках Consent Mode. Показываю, что это такое, почему это блокирует принятие решений – и как это фиксить. Посмотреть можно здесь: YouTube VK Video Яндекс Дзен Rutube @marketing_analysis

Как фаундеру понять, что paid growth уже перерос Google Sheets? Давайте по чесноку. С таблицами всё нормально. Google Sheets - не стыд, не колхоз и не признак, что компания “ещё маленькая”. Я знаю фаундера, который доводил spend до $400k в месяц и часть решений всё ещё держал в таблицах. Бизнес не развалился. Деньги не обиделись. Все норм. Поэтому ред флаг не в бюджете. Можно тратить $20k и уже тонуть. Можно тратить $400k и жить нормально. Светофор в другом: кто кого нанял? Ты нанял таблицы, чтобы они помогали принимать решения? Или таблицы наняли тебя, чтобы ты каждое утро их обслуживал? Вот тут и начинается честная диагностика. Если ты открыл таблицу и быстро понял, где льёте в плюс, где в минус, какой канал можно разгонять, а где пора резать бюджет - всё ок. Таблица работает на тебя. Живи спокойно. Не надо строить космический корабль, если тебе нужна тележка до соседнего магазина. Но если фаундер сам три часа сопоставляет рекламный кабинет, CRM, GA4, отчёт от команды и ещё одну “финальную_версию_таблицы_v7” - всё, приехали. В этот момент он уже не управляет ростом. Он работает ручным интегратором данных. Что это значит? Ну это когда вроде как всё есть: spend, лиды, оплаты, отчёты, дашборды. Но чтобы принять одно решение, нужно сначала собрать реальность по кускам. Почему CPA нормальный, а денег нет? Почему ROAS просел? Это гео, креатив, когорта, подписка или данные опять криво подтянулись? Кому верить: UAM, CRM, GA4 или табличке? Вот тут Google Sheets превращается из инструмента в налог на внимание фаундера. Главный тест простой: после открытия таблицы у тебя появляется решение или новая работа? Если решение - таблица топ. Если новая работа - поздравляю, ты перерос Google Sheets. Следующий шаг безумно прост: перестать обслуживать таблицу и вернуть себе управление ростом. Нужен слой аналитики, который сам собирает данные и отвечает на вопросы бизнеса: - где просел ROAS; - почему CPA нормальный, а экономика хуже; - какой канал можно масштабировать; - где сломались данные; - что фаундеру делать сегодня. Paid growth ломается в момент, когда решение надо принять сейчас, а вы всё ещё выясняете, правильная ли цифра в ячейке F47. Так что вопрос не “при каком бюджете пора уходить из Google Sheets?”. Спросите себя: я нанял таблицы помогать бизнесу расти - или таблицы уже наняли меня их обслуживать? Если узнал себя - смотри самый полный бесплатный курс по аналитике с AI. Без регистрации и СМС.

Ребят, провёл первый стрим в "Фабрике кейсов". Пригласил Андрея Гриня поговорить про маркетинг в кризис. У Андрея за плечами 18 лет работы в маркетинге, опыт в сложных нишах и рост в кризис 2022-го. Разобрали: как рубить балласт без паники, зачем работать с данными до того, как корабль тонет, и какие три шага реально помогают выбраться из кризиса. Плюс — конкретный кейс из ниши банкротства физлиц: как продавать дорогой продукт аудитории, которая не доверяет никому. 👇 YouTube VK Video Яндекс Дзен Rutube @marketing_analysis

Друзья! В эту среду, 24 июня, выступаю на митапе М2. Онлайн, в 17:00 Мск. Буду говорить про атрибуцию в B2B – почему там всё сложнее, чем кажется и где стандартные модели ломаются. На митапе ещё обсудят тему кастомных моделей атрибуции и вечный вопрос – считать ли бренд-медиа маркетинговым каналом. Будет полезно продуктовым аналитикам, продакт-менеджерам и командам маркетинга. Регистрация по ссылке. Кто идёт? 😎 @marketing_analysis

Что делать, если фаундер хочет "аналитику как у Claude", а есть только GA4, таблица и ощущение, что всё держится на скотче? Gartner публикует Hype Cycle с 1995 года. Так вот - каждая технология проходит "пик завышенных ожиданий" – момент, когда ажиотаж максимален, реальные кейсы единичны, а у всех вокруг "уже есть". Есть ощущение, что аналитика и AI переживают что-то похожее. Смотрите. "Сделай аналитику как у Claude" – это примерно как "сделай сайт как у Apple". Звучит как задача. По факту ею не является. Что обычно за этим стоит: фаундер посмотрел демо на конференции, прочитал статью, поговорил с кем-то из другой компании. Пришёл с ощущением, что у всех уже есть умный агент, который сам нажимает на кнопку бабло следит за маркетингом. По факту у него есть GA4, таблица и три дашборда, которые никто не открывает. Скажуц по секрету - у остальных то же самое. Я не шучу. большинство "хочу как у них - агента, который сам всё считает" появляется сразу после конференции. И это ок. Хуже, если спустя месяц разработки выясняется: фаундеру нужен еженедельный срез по трём метрикам в Telegram. Всё. Никакого "как у них". Давайте сразу: фаундер обладает вижном и имеет право ХОТЕТЬ. Но это и хорошая новость: за этим обширным запросом обычно стоят три конкретные задачи. Тратим ли деньги эффективно? Где теряем? Что делать дальше? Это не требует BI-системы. Есть вопросы? Круто! В этом случае ИИ делает все как надо: берёт данные, считает CAC по каналам, конверсию по воронке, формулирует вывод. Без дата-инженера. Сделать аналитику через Claude реально. Идите по шагам: 1. Уточните три ключевые задачи явно. Зафиксируйте письменно. Это и есть база для семантического слоя. 2. GA4 + выгрузка из CRM + рекламные кабинеты – мало, но ок. Не стыдно. Стыдно, когда данные есть, а решений нет. 3. Все. Даже на этом агент собирается за выходные. Не "умный AI из демо", а инструмент, который раз в неделю присылает ответы на три задачи фаундера. Гартнер описал цикл из начала поста тридцать лет назад. После пика – "яма разочарования" идет плато реальной пользы. Большинство компаний застревают на пике, потому что ждут магии, а не строят инструмент под конкретную задачу. Если хочешь "агента как у них" и не знаешь с чего начать – посмотри бесплатный урок о том, как своими руками подключить AI-агента к маркетинговым данным и настроить ответы на ключевые задачи в Telegram или Slack. Ссылка тут. @marketing_analysis

Что делать, если AI нашел "инсайты", но ни один из них не превращается в задачу для команды? Был такой Рассел Акофф, он когда-то описал пирамиду DIKW: данные, информация, знание, мудрость. Каждый уровень требует интерпретации предыдущего. И вот что мне в голову пришло. ИИ уверенно работает с первыми двумя. "Инсайты" из нейросети почти всегда застревают на третьем – там, где знание ещё не стало действием. Давайте так. Вы кидаете запрос: "Проанализируй данные кампании за месяц." Ответ тоже знакомый: "Конверсия выше в выходные. Десктопный трафик эффективнее на 18%. Москва - самый популярный город". Всё правда. Кроме самого главного – кто, что и когда должен сделать. Никто не знает этого. Документ с инсайтами пухнет - токены не жалко. Никто инсайты не проверяет. Через месяц они устаревают. Приходит новый человек, цикл промптов повторяется. Проблема не в инструменте. Наблюдение без критерия действия – это не инсайт. Это красиво оформленные данные. Проверял это в нескольких командах подряд. Когда просишь людей после AI-отчёта назвать одно конкретное действие, которое они собираются предпринять – большинство не может. Потому что постановки не было изначально. Инвестируйте в обвес - только тогда нейросеть помогает по-настоящему. Рабочий подход: каждое наблюдение прогоняешь через три фильтра: 1. Если это правда – какое решение меняется? 2. Кто конкретно это делает? 3. По какому показателю через две недели поймём, что сработало? 4. Если это ошибка - то почему? Если ни одного ответа нет – это очредные токены на ветер. Акофф описал пирамиду в 1989-м. С тех пор появился GPT-4, но расстояние между знанием и действием никуда не делось. Это по-прежнему ручная работа. Попробуйте прямо сейчас: возьмите последний AI-отчёт и прогоните первые три наблюдения через эти фильтры – сколько из них выжило? @marketing_analysis

Друзья, я записал самый полный курс по аналитике для маркетологов с AI. Час в неделю на ручные отчёты – это время, которое можно освободить уже сегодня. В этом курсе разбираем, как автоматизировать аналитику с помощью Claude, Codex и Gemini: от быстрых отчётов из Метрики до полноценного агента, который копается в данных за вас. SQL не нужен. Код не нужен. Нужна задача и час времени. Все промты, конфиги и инструкции – в документе по ссылке под видео. Курс здесь: YouTube VK Video Яндекс Дзен Rutube @marketing_analysis

Сделай так, чтобы Клод разобрался... Это клиент так недавно описал задачу по маркетинговым данным. Не «чтобы принимать решения». Не «чтобы все данные были в одном месте». А именно: «Чтобы Клод мог сходить и все понять». И я поймал себя на мысли. Это ведь не впервые. Таких запросов ко мне как ко внешнему Head Of Marketing Analytics стало по 1-2 каждую неделю. Погодите-погодите. То есть раньше данные в маркетинге готовили для людей. А теперь для агентов? И тут проблема. Фаундеры и CMO видят это как более менее новую обертку для старой проблемы сбора и обновления данных. Но это не так! Потому что есть три новости: 1. Хорошая. У агентов нет когнитивных ограничений людей - им не нужны дашборды и двумерные графики. 2. Плохая. Они не знают ничего из того, что людям кажется обыденным, 3. Очень плохая. Первые две новости никак не связаны с тем, что они будут делать. А будут они делать следюущее - стараться ответить пользователю так, чтобы ответ ему максимально понравился. Поэтому я все чаще думаю о маркетинговой аналитике не только как о дашбордах. Данные становятся средой, в которой будут работать AI-агенты. И задача теперь звучит чуть иначе: не просто «сделать отчет понятным», а сделать так, чтобы Клод действительно разобрался. Это очень интересный сдвиг парадигмы. Не всегда понятный, но очень интеерсный. Если вы уже готовите данные под AI-агентов и хотите посоветоваться - выберите время в календаре, постараюсь помочь. @marketing_analysis

Друзья, рад поделиться первым офлайн-выпуском подкаста «Модель атрибуции»! Открываю его разговором с Кириллом Солгаловым — серийным фаундером, который заменил отдел продаж AI-агентами и получил -40% к CAC и -60% к размеру персонала при росте конверсии. Говорим про автоматизацию воронок, чистые данные как фундамент бизнеса и о том, придётся ли живым сейлзам конкурировать с роботами. Посмотреть выпуск можно здесь: YouTube VK Video Яндекс Дзен @marketing_analysis