AppMagic: Самые зарабатывающие и загружаемые мобильные игры в августе 2026 года AppMagic предоставляет данные по выручке за вычетом комиссии сторов и налогов. Не учитывается выручка с Android-сторов в Китае. Выручка ▫️Honor of Kings остаётся на первом месте с $152,7 миллионами выручки - почти на уровне июля (-3% MoM). В Китае продолжаются летние школьные каникулы, а команда традиционно ставит на этот период крупные события, поэтому второй месяц подряд проект зарабатывает больше $150 миллионов в месяц. ▫️Gossip Harbor в августе заработал $112,3 миллиона (в июле было $99,7 миллиона). Игра заняла второе место по выручке. Это лучший месяц для проекта в истории. ▫️PUBG MOBILE ($109,9 миллиона, +11% к июлю) и Royal Match ($108,8 миллиона, +10%) заняли третье и четвёртое места. ▫️Roblox заработал $100,6 миллиона, но опустился со второго на пятое место. Roblox - единственный проект, который есть одновременно в топ-15 по выручке и в топ-15 по загрузкам. ▫️Всего выше отметки в $100 миллионов в августе оказалось пять игр против трёх в июле. ▫️У Century Games два проекта в топ-10: Whiteout Survival ($96,9 миллиона, 6 место) и Kingshot ($78,1 миллиона, 9 место). ▫️Last War: Survival падает по выручке пятый месяц подряд - $56,7 миллиона против $64,5 миллиона в июле (-12%), 11 место. Проект потерял больше половины месячной выручки, если сравнивать с февралем ($128,2 миллиона). ▫️Выручка Pokémon GO сильно просела после празднования юбилея. Проект заработал в августе $50,2 миллиона против $101,1 миллиона в июле (-50%) и занял 14 место. Загрузки ▫️Roblox сохранил первое место - 21,8 миллиона установок (22,9 миллиона в июле). Free Fire MAX второй с 21,7 миллиона, на третьем месте Subway Surfers с 15,3 миллионами загрузок. ▫️Главная новинка месяца - Codename Crime-Vice Open World от Tencent. Игра стартовала на 7 месте, её скачали 12,2 миллиона человек. Большая часть загрузок пришлась на Индию (26%). ▫️Игры со стрелочками теряют в загрузках. Arrow Puzzle: Tap Puzzle Games в августе скачали 13,1 миллиона раз против 19,3 миллиона в июле (-32%). У Amaze GO! - 10 миллионов скачиваний против 11,9 миллионов в июле, а Arrows - Puzzle Escape, который в июне был лидером чарта с 25,3 миллиона, из топ-15 выпал совсем. ▫️Bus Traffic Fever! от GOODROID (CyberAgent) поднялся на 11 строчек до 8 места. В августе у проекта 11,4 миллиона установок. ▫️Тренд на футбольные проекты после Чемпионата Мира прошёл: в июле в топ-15 было четыре футбольных проекта, в августе - два. Источник

Какие стартапы (и идеи) самые горячие сегодня! Brex, самый популярный банк для вычурных стартапов, как и Ramp анализирует данные транзакции своих клиентов, а потом составляет Brex Benchmark. Недавно они опубликовали 25 самых растущих по реальной выручке этим летом стартапов, там очень интересное! Самое главное: это очень хороший список стартапов, за продукты которых платят другие стартапы. Убрал единорогов, и остальных разложил по tiers - насколько реально делать такой стартап на США извне, обычным фаундерам (нам с вами). ⭐️ S tier Greptile (YC W24) - AI ревьюер кода, решает проблему "стока навайбкодили говнокода, надо делать много ревью" Firecrawl (YC S22) - API для поиска и преобразования веб-страниц в маркдаун или структурированный json для LLM 🟢 A Oneleet (YC S22) - очередной комплаенс-стартап по SOC 2, ISO 27001, HIPAA, GDPR, появившийся на рынке, где уже есть комплаенс-единороги (Vanta и др.) Quo (бывший OpenPhone, YC S18) - дает стартапы американский номер телефона. Так быстро растет, потому что появилось много мечтающих разбогатеть на своем AI стартапе, а всем им нужен телефон. 🟡 B Upstash - serverless-платформа данных с Redis, Vector, Search и очередями QStash. Решает проблему постоянно работающих и оплачиваемых баз/кэшей. Blacksmith (YC W24) - быстрые и дешевые runners для GitHub Actions. Ускоряет тесты и сборку. 🟠 C Apify (YC F1) - облачная платформа и маркетплейс готовых веб-скрейперов и автоматизаций. 🔴 D Retell AI (YC W24) - автоматизирует звонки поддержки, продаж и записи клиентов, короче предлагает заменять колл-центры. Это небольшие/средние стартапы, которые РЕАЛЬНО много продают другим стартапам. Можно оценить уровень проблем, за которые готовы платить фаундеры. И конечно можно сверить свои идеи стартапа или сайд-проекта! @kyrillic

Как научиться предсказывать что угодно? 🔮 На видео спикер рассказывает, что его команда научилась за три дня до расставания предсказывать, что девушка бросит парня. Когда я впервые увидел это в трансляции, то понял только часть проблемы: спикер вообще не шарит, а команда решает странные задачи и пилит такие же фичи 😅 Тогда моего руководительского опыта не хватило, чтобы задуматься о процессах внутри компании — меня просто поразил уровень абсурда. Причём настолько, что эта история догнала меня даже спустя семь лет. Но сейчас, когда я строю собственную компанию, меня гораздо больше беспокоит другой вопрос: какие процессы внутри компании привели к тому, что топ-менеджмент рассказывает об этом на конференции как об успешном кейсе? 🤔 Начнём с самого кейса. Пока я не пересмотрел видео, у меня были разные гипотезы о том, как они собрали целевую переменную: — может быть, провели опрос? — спарсили социальные сети? — а как тогда собрали хард-негативные сэмплы? Но нет. Судя по видео, аналитики придумали сегмент на основе набора косвенных признаков. С какой точностью этот сегмент отражал реальность? Правильно: никто не знает 🙃 Дальше, вероятно, построили модель, которая научилась предсказывать эту синтетическую целевую переменную. И здесь появляется ещё один уровень неопределённости. Сначала мы с неизвестной точностью восстанавливаем целевую переменную по косвенным признакам. Затем с некоторой точностью обучаем модель предсказывать уже эту восстановленную переменную. То есть модель предсказывает не само расставание, а предположение аналитиков о расставании. На ошибку при создании таргета накладывается ошибка самой модели. Поэтому итоговое качество относительно реального события становится ещё менее понятным 🎯 Следующий вопрос: как проверяли лики? Не протекли ли в модель те же признаки, на основе которых изначально восстановили целевую переменную? 🫠 Ну и самое интересное: как измерили эффект? Никак. Модель встроили в рекомендательную систему, в которой, судя по рассказу, нет прозрачно рассчитанного финансового эффекта 💸 Итак, рецепт, как научиться предсказывать что угодно: 1. Конструируете целевую переменную с неизвестной точностью. 2. Обучаете модель предсказывать этот синтетический таргет. 3. Получаете два слоя ошибки: в разметке и в самой модели. 4. Встраиваете модель в продукт, где невозможно оценить её эффект в деньгах. 5. Рассказываете об успешном кейсе на конференции. 6. Готово — вы великолепны! 🚀 Всё это звучит смешно ровно до того момента, пока вам самим не приходится собирать такие фантастические сегменты и обучать на них модели. Напишите в комментариях, если знаете достоверный источник данных для такого сегмента. Особенно интересно, где взять качественные хард-негативные сэмплы 👇

Open AI очень хочет не опоздать к IPO - кричит что AGI почтиготов. https://t.me/Futuris/4715 Обещственность тут же прогнала не подобранные бенчмарки, а свои тесты - нет, примерно то же что было, то и осталось. https://t.me/Futuris/4715 Я же по этому поводу призадумался. Прогресс метода Attention is all you need впечатляющ, особенно когда в нашем распоряжении все тексты мира и вычислительная мощь в несколько процентов энергопотребления мира же. Но AGI статистическим методом перемножения зиллиардов матриц не построишь. Почему? А потому, что интеллект должен не только подражать виденному и слышанному ранее, но и создавать правила и следовать им. И не только правила вида "Если А - делай Б, если нет - делай В", но и такие вроде б элементарные вещи, как "Найди книгу А, открой на странице Б и прочти абзац В слово в слово и буква в букву". Что внутри нейросети нет представления чисел как чисел - это я писал ранее, и эта проблема тоже конструктивная и в общем, без колоссальных костылей не решаемая. Нейронки сейчас - как школьники-недоучки. Они не ЗНАЮТ. Они УГАДЫВАЮТ. И угадывают, в целом очень хорошо... но кажется, уже многие, если не все, хоть раз да сталкивались с тем, когда ты употребляешь слово в менее популярном значении, нейронка уверенно говорит "Вы, конечно, имели в виду, что %самое популярное значение%" и отвечает на вопрос, который ей не задавали. Получить дословную цитату, кстати, тоже тем сложнее, чем текст более редок - а уж если есть что-то подобное в более популярном тексте, из этой колеи вырваться не всегда реально. Иными словами, должны быть промпты, которые всегда исполняются одинаково. Не примерно одинаково, а абсолютно одинаково. Вот тогда и можно будет начать движение к AGI. А пока это маркетинговые вопли, которые живут все меньше и меньше.

Про ИИ и его принятие график. График демонстрирует прямую корреляцию между долей разработчиков в штате и уровнем внедрения искусственного интеллекта в компаниях США по секторам экономики. Основные оси и параметры * Ось X (горизонтальная): Доля разработчиков ПО от общего числа сотрудников в секторе (Software developers as % of employees), от 0% до 12%. * Ось Y (вертикальная): Процент компаний в отрасли, внедривших ИИ (AI adoption, % of companies), от 0% до 50%. * Красный пунктир: Линия тренда, показывающая сильную положительную связь — чем выше концентрация технических специалистов, тем активнее отрасль берет на вооружение технологии ИИ. Ключевые выводы по секторам * Лидеры внедрения (правый верхний квадрант): Сектор информационных технологий (Information) лидирует с большим отрывом: разработчики составляют почти 11% штата, а уровень внедрения ИИ превышает 40%. За ним следуют профессиональные услуги (Professional services) — около 6,5% программистов и более 40% внедрения. * Специфика финансовых услуг (Finance): Финансовый сектор внедряет ИИ заметно активнее (около 37%), чем предполагает общая линия тренда при его относительно скромной доле разработчиков (~3%). Это объясняется ранними инвестициями в алгоритмический трейдинг, скоринг и анализ рисков. * Традиционные отрасли (левый нижний кластер): Производство (Manufacturing), транспорт (Transportation), здравоохранение (Health care) и смежные секторы имеют низкую долю программистов (менее 1–1,5%) и, как следствие, относительно невысокий уровень внедрения ИИ (в диапазоне 10–25%). --- * В секторах вроде финансов внедрение ИИ часто идет через покупку готовых корпоративных платформ и API, что снижает потребность в собственной огромной армии программистов для базовой автоматизации. * Разрыв между ИТ-сектором и тяжелой индустрией в графике отражает так называемое "бутылочное горлышко данных": на производстве или в логистике критически сложнее оцифровать физические процессы, чем программный код или тексты. * В 2026 году появление автономных кодинг-агентов начало менять эту пропорцию: малые команды инженеров получают возможность разворачивать решения масштаба прежних ИТ-отделов.

Знать точное текущее состояние продукта и знать точное направление его движения – это взаимоисключающие акты проявления наблюдения и намерения Продукт-Система работает на слое точности, о существовании которого до определённого момента никто обычно не задумывается. Чем плотнее зафиксирован скоуп, тем более узким становится видение и развитие. И наоборот. Решение – фиксировать Ничто. – Природа ограничений в продукте помогает выходить за его пределы в области неопределённости и оттуда создавать Иной продукт. Неопределённость рынка растёт сама по себе. Гипотезы и решения, выведенные благодаря бессознательному и Простейшей-Логике, часто предугадывают и задают предстоящее поведение и результат точнее, чем гора количественных данных, исследований и пользовтельских интервью. Геометрия безмолвных мыслей – источник бесконечных Знаний – Так, идея, попавшая в резонанс, усиливается, множится и обогащается энергией благодаря совпадению частоты, в которой каждый носитель-проводник усиливает и обогащает исходный сигнал. Порог реакции пользователей пробивается качеством одного правильного решения, а не большим количеством слабых – Каждое отклонённое решение продолжает существовать в пространстве и времени, накапливая свой потенциал, и может быть переиспользовано, достаточно перевернуть всю Систему в нужный момент и посмотреть на неё под другим углом.

Так ищут и находят то, что-было-есть-что-снова-будет

– Инструмент, установленный для измерения Системы, становится частью Системы в момент своей установки. Система, которую измеряют, застревает в состоянии измерения и не может перейти в следующее. Аналитика, которая измеряет не сам объект интереса, а его косвенный, но регулярный отклик, способна дать более надёжную картину, чем прямое наблюдение, которое разрушает то, что оно же пытается зафиксировать. – Команда и продукт, растущие числом людей без такого же роста в исправлении ошибок, масштабирует ошибки быстрее команды и продукта. Цель масштабирования квантов в том, чтобы ошибки не росли пропорционально с вами. ...Линии функций сходятся в точку

Мы наконец запустили наши репорты по индустриям, заняло ужасно много времени, тк задача была сделать это не разово, а изначально выстроить процес: • сама генерация репортов и сбор данных • рендеринг картинок которые можно публиковать • отладка промптов чтобы через MCP преварщать репорты в обзорные статьи, их форматирование и публикация в блог • новый раздел на сайте для них • отладка промптов и стиля для ЛИ постов и Х треда • регулярный постинг 2 раза в неделю с моим минимальным вмешательством Короче как всегда качественный контент это самое напряжное и времязатратное тк это таска которую нельзя один раз выполнить, она возвращается каждый день (отчасти это то где лежит самое большое велью нашего продукта) Зато, теперь это должно создавать уникальный рисерч и данные на нашем сайте для цитирований, узконаправленный вертикальный контент для SEO и GEO, и какие то оригинальные инсайты для соц сетей и орагнических охватов, в общем одни плюсы

Напишите в комментарии если хотите отчет по своей индустрии!

Я обычно отношусь к картам рынков как к жанру корпоративной живописи: логотипы в квадратиках, все молодцы, вопросов нет. Но тут случай другой. МИК и «Инк.» собрали 80+ компаний российского медиатеха и разложили их по четырём категориям - создание контента, дистрибуция, потребление, монетизация. Там и очевидные гиганты, которых вы и так знаете, и десятки компаний, про которых не пишут, потому что они делают железо и пайплайны, а не красивые картинки. Ценность не в логотипах, а в том, что впервые видно рельеф. Кто чем занимается, где густо, где пусто и кто с кем на стыке ниш. Кожаные из индустрии, посмотрите, нет ли вас там. Если нет - это, кажется, повод задуматься, а не обидеться. @cgevent

Прибыль Huawei в первом полугодии рухнула на 36 % — и виновата в этом не только подорожавшая память Чистая прибыль Huawei в первом полугодии упала на 36%, до $3,54 млрд, хотя выручка выросла на 10%, до $69,6 млрд. Компания на четверть увеличила расходы на исследования и разработки — до $18 млрд. Дополнительное давление создали подорожавшие чипы памяти, а цены на смартфоны Huawei почти не менялись. Благодаря июньским распродажам продажи смартфонов во втором квартале выросли на 19%, а доля компании в Китае превысила 20%. В сентябре Huawei может представить первый процессор Kirin, созданный по технологии LogicFolding. #huawei #huaweitechnologies #финансы #аналитика 📎Подробнее 🔖 3DNews в TG | MAX | VK

↗️ Outbid неделю спустя: на сколько хватило хайпа? Неделю назад я вам рассказывал про Outbid. Парень из Германии запустил сайт с рейтингом проектов, где места покупаются за деньги. Проект круто хайпанул и принес создателю более $200 000 за несколько дней. Стало интересно, насколько хватило хайпа и что стало с проектом через неделю. Ну, ставку первого места в $17 000 за неделю никто так и не перебил. Топ-3 проектов остался без изменений. Разве что дизайн немного поменялся. 🌸 Хайпа не хватило? Не совсем так. Неделю назад статистика сайта показывала, что суммарно заработано $211 000. Сейчас — $244 000. Конечно, безумных цифр первых дней нет. Но тем не менее основатель Джонатан Уилке заработал за неделю $33 000, что тоже неплохо, надо признать. Просто многие проекты покупали места не в топе рейтинга, а ниже. Например, чтобы оказаться номер один в отдельной категории. Или просто оказаться в рейтинге. Неделю назад в рейтинге был 1351 проект. Сейчас — 2403. То есть +1051 проект. Каждый по чуть-чуть занес, вот и набежало $33 000. 🌸 Что с посетителями? Было — 1 282 119 посетителей. Стало — 1 454 406. То есть +172 287. Как-то не выглядит прям супер большим приростом. Чувствуется, что в плане новых посетителей хайпа не очень хватило. 🌸 Что с топ-3? Интересно еще было посмотреть на статистику кликов у первых трех проектов в рейтинге. Первый — +24 687 Второй — +8909 Третий — +3942 🌸 В общем, топ-1 сорвал весь куш, похоже. Сейчас у него всего 45 372 клика, а ставка была $17 000. Получается в среднем 2,7 клика за 1$. Правда, есть вероятность, что они делали несколько ставок, чтобы вернуть себе первую строчку. Но я не знаю, как это проверить. Чуваки из проекта See io, который и занимает первое место, делились статистикой 25 августа. И тогда говорили, что Outbid оказался для них лучшим маркетинговым каналом. Но! Проект появился в этом году, а в X зарегистрировался только в августе. Возможно, они просто еще не пробовали другие маркетинговые каналы. Судя по их же статистике, в июле были нулевые показатели. И, интересно, конечно, было бы почитать от них про этот опыт за все время, а не только за первые пару дней. Надо отметить, что по кликам есть результат и сильно лучше. Например, на 30-м месте Codus получил 14 915 кликов за $1305. Обошел даже топ-2 проект, который получил 10 632 клика за $16 000. Главное вовремя оказаться в нужное время в нужном месте. 🌸 Есть подозрение, что идея «рейтинга за деньги» уже не реинкарнируется и былого хайпа не получит. Будет хвост из небольших платежей, не более. Но интересно, что Уилке будет дальше с этим делать? У него же есть теперь база из 2400 проектов. Наверное, можно с этим что-то дальше придумать. Или просто забить. @TheEdinorogBlog — тот самый канал про стартапы🦄

👀 Новости перфоманс-маркетинга за прошлую неделю Что нового в рекламных кабинетах и вокруг них На этой неделе мало и всё про Гугл 1️⃣ В Pmax появился приоритет каналов Пока альфа, даже не бета. У ряда пользователей в настройках кампании появился блок Channels, где можно руками указать, какой канал для бизнеса важнее. Выбор из Search, Search Partners, Discover, YouTube, Maps, Gmail, Display. Под копотом корректировка ставок по каналу. Пока же можно лишь исключить канал полностью. 2️⃣ В Поиске появился звездный рейтинг объявлений Search Engine Watch заметили по запросу «best phones»: у объявления Самсунга сбоку висит 4.4 звезды и 5K отзывов. На скрине 3️⃣ Гугл уходит от разделения Google Tag и Google Tag Manager Сейчас система с Google Tag и Google Tag Manager непонятная пиздец. Решили менять. Было: сайт → Google tag + GTM → gtag.js → сервисы Гугла. GTM подгружал дополнительный JS, чтобы отправить данные. Стало: сайт → GTM / Google tag → сервисы Гугла напрямую.

31 августа. С чем мы входим в сентябрь Вернулась из отпуска, посмотрела на цифры и хочу поделиться тем, что вижу. Не итогами - до них ещё неделя, - а картиной, с которой мы заходим в осень. Что происходит по направлениям Nail стабилен и чувствует себя хорошо. Сезон плюс мы скорректировали объёмы за счёт повышения цен. Брови, неожиданно для меня, продолжают расти. А вот волосы и косметология - катастрофа. Продажи упираются в ассортимент. Закономерность простая: вводим что-то новое - продажи стартуют. Но находить, организовывать и вводить новинки настолько регулярно и быстро оказалось отдельной операционной задачей, которую мы пока не решили. По клиентам есть одна хорошая новость и одна плохая. Хорошая: регулярность визитов стабилизировалась, падение частоты остановилось. Те, кто с нами остался, ходят как ходили. Плохая: само количество клиентов продолжает падать. Что уже думаем поменять Из решений: меняем KPI директора салона. Исторически он был привязан к плану по выручке, хотим перевести на валовую маржу - чтобы усилить ответственность за найм и за то, сколько сотрудник «сидит» на гаранте и какая у него мотивация. Механику разберу отдельно, она заслуживает своего поста. И про канал С завтрашнего дня возвращаюсь в нормальный режим: пишу каждый будний день в 8-9 утра. И возвращаю рубрики, которые вы уже одобрили. Раз в неделю - разбор управленческих решений: что придумали и внедрили, почему именно так и что из этого вышло. В июле вы попросили продолжать, а я не продолжила. Исправляюсь. Раз в месяц - дневник основателя с реальными цифрами, не только с теми, которыми приятно делиться. Плюс личное и находки недели - то, чего вы ждёте от меня, кажется, не меньше, чем аналитики. А что ещё вам было бы интересно здесь читать? Напишите в комментариях - включу в рубрики.

Когда я собеседовался в МакКинзи, там было принято задавать кандидатам так называемые «market sizing questions», типа: «сколько канализационных люков есть в Москве?». В еще более вырожденном виде этот тип задач звучал совсем абсурдно, вроде ставшего мемным вопроса «сколько мячиков для настольного тенниса можно вместить в один Боинг 747?» Понятно, никто не ожидал, что кандидат тут блеснет эрудицией и выдаст в ответ некое «правильное число». Проверялся не результат, а сам процесс ответа: сможет ли человек за несколько минут путем каких-то разумных предположений прикинуть «на коленке» диапазон чисел, в которые с точки зрения здравого смысла, скорее всего, должен попасть истинный ответ? Не упустит ли он на пути к результату какие-то очевидные требующиеся корректировки? (Например: поделит примерный объем корпуса самолета на объем одного теннисного шарика – но не учтет, что часть места в салоне занимают кресла, а между наваленными шариками неизбежно останутся пустые места.) Так вот, при подготовке к трудоустройству мне это всё казалось какой-то страшной дичью, совершенно оторванной от реальности. А когда я уже начал работать консультантом внезапно выяснилось, что похожие подходы вполне используются в настоящей работе практически постоянно! Потому что в работе консультанта приходится иметь дело с огромным количеством разных гипотез, и если каждую из них пытаться проверять в формате «создаем рабочую группу и неделю собираем данные для ответа» – то добиться чего-либо в реалистичные сроки оказалось бы просто нереально. И такие вот «прикидки на салфетке» вполне неплохо отсеивают 80% гипотез, которые почти точно не сработали бы. Понятно, что такой метод оценки является очень грубым и может давать результат, который отличается от правильного «в разы». Но идеальная точность чаще всего на практике на этапе отсеивания гипотез и не нужна, зато даже на уровне понимания общего порядка чисел нередко уже можно сделать вывод «этот вариант нам заведомо не походит, там эффект даже близко не выйдет такой, какой нам надо». В общем, к чему это я: недавно мы тут занимались «наколеночными прикидками» по поводу оспариваемости брачных договоров в России. И там в комментах в целом интересная дискуссия, но некоторый тип комментариев мне показался очень странным – это те, где люди писали «если у нас нет точной статистики, разводятся ли пары с брачными договорами чаще или реже пар без них – то все дальнейшие расчеты можно просто выкидывать на помойку, они абсолютно бесполезны!» Мне этот тезис кажется совершенно неверным. Да, конечно, этот момент является важным для расчетов. Но если надежных данных по нему просто нет – что плохого в том, чтобы сделать какое-то предположение, исходя из здравого смысла? Так как можно придумать разумные аргументы в обе стороны (условно, что семьи с договорами распадаются чаще из-за меркантильности, или что распадаются реже из-за более высокой осознанности и умения договариваться) – мне кажется совершенно нормальной базовая предпосылка об отсутствии различий в разводимости между этими двумя группами. Но даже если эта предпосылка на самом деле является ошибочной, к примеру, в два раза – сделает ли это всю мою прикидку «абсолютно бессмысленной»? Нет, в рамках моей попытки разобраться в степени бесполезности брачных договоров, оспаривают ли успешно в суде в среднем 1% или 2% договоров – не играет решающей роли, это в любом случае довольно мало. Короче, мой посыл вам такой: попытаться объективно прикинуть базовые уровни распространенности какого-либо явления – это очень часто отличный способ сформировать свое мнение по этому вопросу. Пользуйтесь им почаще!

Пятница, самое время посмотреть куда мы тратили больше всего токенов на этой неделе 😏 Для Claude Code есть супер скилл, который разбирает логи сессий и на основе API запросов считает расход токенов Собирает всё это в красивый понятный HTML отчётик С разбивкой по времени, проектам, моделям, файлам, MCP-серверам, скиллам, субагентам и тд Несколько примеров как юзать: /tare report [дней] — отчёт с графиками /tare usage — аналог клодовского /usage /tare share [дней] — обезличенная .md сводка чтобы шерить Есть еще интересная статистика amplified tokens, когда изначально маленький файл переиспользовался внутри контекста столько раз что в итоге стал дорогим Установка (GitHub):

npx skills add kelviq/tare

Если нужно под Codex, попросите его портировать) @tips_ai #tools

😁 Первые недели маркетолог нихрена не делает - это хороший маркетолог? Первые 2 недели в новой компании я вообще не маркетолог, я - врач изучающий медкарту пациента. Я открываю всё, что есть: рекламные кабинеты, воронки, отчеты, CRM, продажи, прошлые гипотезы, подрядчиков, цифры за последние месяцы. Мне нужно понять, что здесь вообще происходит: • Не «какой у нас CPL», а почему он такой. • Не «какая конверсия в продажу», а что происходит с человеком между заявкой и оплатой. • Не «этот канал работает», а за счет чего он работает и можно ли это повторить. Смотрю, что компания уже пробовала. Что давало результат. Что перестали делать, хотя оно работало. Куда уходит бюджет. Где воронка начинает сыпаться. Какие цифры вообще считают - и (мое любимое) можно ли им вообще доверять. И отдельно сверяю показатели с рынком. Иногда оказывается, что с маркетингом все в порядке, а деньги теряются на продажах или дырявой СRM. Иногда, что компания льет огромный бюджет в канал, который никогда не окупится. А иногда, что у компании давно уже все есть для успешного роста, просто оно существует кусками, а не складывается в единую систему. Поэтому я не люблю начинать с вопроса: «что делать?». Сначала ценнее другой: «что происходит с бизнесом прямо сейчас?». Вопрос к вам - через сколько дней после найма маркетолога ждете результат?)

Досье ФБР на Джона Леннона занимало около 300 страниц. McDonald’s собрал на своего клиента 515. Журналист WIRED запросил у сети фастфуда всё, что она о нём хранит. В ответ прилетел файл на полтысячи страниц, в котором помимо обычной статистики посещений и заказов нашлось немало интересного. Например, в McDonald’s высчитали, что в ближайшие шесть недель этот клиент заглянет к ним 2,16 раза, оставит $29,15 и с вероятностью 0% уйдёт к конкурентам. Система записала его в пожизненные клиенты. Соцсети, понятно, зашлись плачем Ярославны: тотальная слежка, конец приватности, цифровой гулаг, куда катится мир… Хотя, положа руку на сердце – не Бог весть какой секрет, сколько раз в неделю вы едите картоху фри и наггетсы, запивая диетической колой. А вот любой нормальный предприниматель разглядывает этот кейс со сдержанным восторгом. McDonald’s построил не просто программу лояльности, а настоящую прогностическую машину. Скидки тут – приманка, с помощью которой сеть получает знание о покупателе и затягивает его в управляемый контур. Скажем, система высчитала поведенческий архетип покупателя – он практикует “перекус во второй половине дня” и “быстрый перехват на ходу”. То есть алгоритм видит не абстрактного потребителя, а контекст и жизненный сценарий, в котором у него возникает потребность заглянуть в McDonald’s. А дальше – математика: модель с точностью до цента прогнозирует выручку с человека на дистанции в недели и месяцы. Вместо хаотичных продаж “в моменте” компания получает прогнозируемый денежный поток. Журналист, к слову, на такой расклад обиделся и поклялся вообще больше не есть в McDonald’s – исключительно чтобы доказать алгоритму, что тот насчёт него ошибался. Из серии “назло бабушке отморожу уши”. Хотя за сам отказ от джанк-фуда его, конечно, можно только похвалить.

Зачем на самом деле нужны отчеты Делаем проект на несколько команд. Цель - всем вместе увеличить метрику Х, каждая команда владеет ее кусочком в рамках своих фич. Выхожу с очередной встречи, где каждый менеджер монотонно отчитывался почему его метрика в таком-то состоянии. Первые разы мне казалось, что мы теряем время, но со временем уловил смысл. Он в том, чтобы люди думали этими метриками и за пределами встречи. Отчеты нужны не для того, чтобы мой менеджер увидел, как обстоят дела (хотя это тоже) и подстраховал, когда нужно. В первую очередь, когда я пишу отчет, МНЕ нужно понять, что происходит. Почему такие цифры. Как их поменять. Какие риски за этим стоят. Ну и так далее. Формулируя слова в отчете, я уже сам вижу, что не сходится, где проблема, и задумываюсь про следующий шаг. В этом и есть ценность отчета. Сам по себе отчет (документ) – лишь побочный продукт. Главное, что я вынужден разобраться в проблеме, а там, глядишь, и решать ее начну.

Небольшое тизер того, как пишу новые статьи. Я рассказывал, что хочу выпускать с какой-то переодичностью статьи на хабре, вс и других площадках. Так вот, работаю сейчас над 4 статьями, работаю как вы понимаете в своих досках! (это прямо найс!) Так вот, первый скрин - этот структура статей по фреймам и материалы Скрин 2 - это небольшой тизер текущей статьи, я решил изучить с точки зрения бизнес-модели и рентабельности вопрос большого количества аптек. На скрине мой район (буквально диаметр в 10-15 минут ходьбы) и тут 16 аптек. А у вас также? Пишите ваши предположения почему это так? И да, ставьте реакции, если интересно! @blackproduct