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.

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?)