Growth Marketing Insights 🇺🇸🇬🇧

Напоминаю, что у меня есть бильенерс плагин для всех популярных ллм по генерации креативных тактик партизанского маркетинга. Кстати, термин партизанский/guerrilla-маркетинг я использую за неимением лучшего, пайплайн умеет не только это. Например, какие-то около PLG-механики это совершенно не партизанщина, но все еще способ добыть юзеров на халяву. Здесь больше подходит что-то вроде low budget acqusition, но как же криво звучит.. Короче, синтезируем креативные(!) лоу баджет аквизишен тактики! Вы спросите, каким образом оно может быть "креативным", если это ллм и для любых запросов вроде "сделай growth-стратегию" будет генерить усредненный плейбук из параметрической памяти. Так и есть. Поэтому я жестко упоролся, сделал креативность самоцелью и решал её как инженерную задачу. Вот как устроен пайплайн (с некоторыми упрощениями) ⬇️ 1. В начале прогона майним growth-хаки из прошлого. В первую очередь те, что релевантны нашему продукту + индустрии, но также намеренно тащим и из других отраслей, чтобы не замкнуться на SaaS-плейбуках. Рандомный пример, который не прям секси звучит, но подходит как иллюстрация (а помните был такой) Clubhouse в фазе invite-only давал каждому пользователю два инвайта. Из-за хайпа, лист ожидания в прайме был на 10М+ человек. При этом, в evidence кейса записан и второй факт: когда доступ открыли, ~88% юзеров уже ушли. Эксклюзивность и была продуктом. 2. Разбираем хаки на части, чтобы добраться до "кирпичиков" или как я их называю "growth-векторов". Конкрентный хак сработал, потому что абьюзил какой-то поведенческий принцип? Когнитивные искажения? Рыночные/платформенные пустоты? И тд и тп. Из кейса вытаскивается "почему сработало", а не "что делали". Кейс выше даёт один вектор: Искусственный ажиотаж превращает пользователей в приматов, соревнующихся за статус, но только на время: магия пропадает как только двери открываются для всех 3. Далее, как в меме "Ебитес"(!), комбинируем векторы в пары, вслепую. Получается плюс-минус 20 пар векторов за прогон Зачем вслепую? Если дать ЛЛМ сначала подумать, а потом подбирать векторы, оно рационализирует конвенциональную тактику и подгонит векторы под неё Продолжая наш пример, у нас уже был growth-вектор "искусственный ажиотаж" из кейса Clubhouse. Дальше мы намайнили другой кейс, где в комментах к посту в блоге косметосного бренда Glossier юзерки намошнили себе новый продукт. Вытаскиваем отсюда вектор: Дай комьюнити со-дизайнить продукт → инвайт, дающий право голоса в продуктовом решении Эти два вектора, по принципу "Ебитес" объявляем парой. 5. Отдельно ставим фильтр на комбинации, которые всегда дают дефолтные решения, например "customer-research" + "content-flywheel" = "поговори с клиентами и пиши контент". Таких тут банят! 6. Наконец, запускаем синтез аквизишен-тактик. Из вводных: • ресёрчи конкурентов (какие каналы перегреты, какие заброшены) • рисерчи аудитории и её триггеров • аудит того, что уже работает на этом рынке • пары growth-векторов 7. Внутри синтеза живут разнообразные quality-гейты, например: • Порекомендовал бы это ваш обычный growth-маркетолог?» — если "да" → в помойку • Если каждый вектор по отдельности мог дать это действие → в помойку, синтеза не было. и тд. Наша пара векторов после синтеза превратилась в тактику: Раздай 20 инвайтов, каждый приглашенный сможет голосовать какая фича будет добавлена следующей. Авторство тешит самолюбие, тот, чей голос победил, месяцами будет рассказывать про "свою" фичу Внутри "тактики" еще будут детали как её реализовать. В данном случае, кому раздавать инвайты, через какие каналы и тд. Является ли эта тактика 10/10 сама по себе? Очевидно нет. Можно ли её назвать креативной? Да! Может ли она натолкнуть искуссного белкового исполнителя на что-то гениальное? Может, этим и ценна! Пайплайн генерит 7-8 таких тактик за прогон, всё бесплатно Гитхаб Напишите в комменты, что в моем подходе откровенно пованивает? Или может быть что-то просто спорно? Не будет работать? Восхищения тоже можно высказать.. Вы много гордитесь?? Плюс-минус = 🔥 Ну как тебе сказать.. 🌚 Не дочитал + фигня, я такое делал еще в 2023, в чат гпт 3.5.. 🫡

Вам всем нужны красивые GitHub аккаунты Гитхаб это новый LinkedIn. В линкдине написано, где вы работали, и к каким достижениям пришли. Титанический, кстати, труд все это высасывать из пальца, жизненно?? В гитхаб же можно положить то, что вы сделали. Раньше так могли только программисты, теперь могут все. Ваши скилы для ЛЛМ, навайбкоженные тематические пет-проекты, все должно быть публичным. В среднем гитхаб аккаунты выглядят стрёмно-минималистично. Мы все к этому привыкли, т.к. для тусовки программистов демонстрация презрения к красивому оформленю это признак крутости Но мы то, маркетологи, продакты и тд, знаем, что красивая упаковка важнее содержимого. Поэтому кроме самого факта наличия у вас гитхаба, где лежит что-то, что демонстрирует, что у вас черный пояс по AI, важно еще и засимпотичить свои репозитории и профиль. Зафольвьте меня кстати по-братски пж, а то 3 фоловерса всего!

Недавно делал помогатора для получения/продления испанского номад-внж. Отработал он хорошо и чтобы добро не пропадало, я анонимизировал этот проект и выложил на гитхаб. У проекта два основных режима (работают и для первичной подачи и для продления): 1. Консультант, который оценивает ваш кейс 2. Помогатор, который берет за руку, делает пошаговый план (и далее ведет по нему) по конкретно вашему случаю Наверняка у вас есть знакомые, для кого это может быть полезно Ссылка: https://github.com/acogood/spain-dnv-consultant Работать будет с любым современным ИИ-ассистентом: Claude Code, Codex, Qwen Code, Kimi, Cursor и т.д.

ИИ скилы для того, чтобы быстро писать ЛИ-посты Хорошего настроениям тем, кто подхейчивает LinkedIn и угорает с контента, который видит в ЛИ ленте. К остальным много вопросов! Вместе с тем, нам всем приходится участвовать в этой специальной олимпиаде и что-то туда постить (чтобы поднять видимость профиля для рекрутеров или если что-то ПРОДАЕМ) Я сделал себе пайплайн из скилов для клод кода, чтобы генерить неплохие посты затрачивая на это минимум времени. ИИ-слоп, но лучше чем остальной ИИ-слоп, который там постят. Отдельные посты набирают охваты в десятки тысяч просмотров и десятки комментов. Ссылка на репо: https://github.com/acogood/skills_with_aura Как работает пайплайн вкратце Шаг 1. Writing-style-analyzer → Style Card (нужно сделать один раз) Создает стиль. в котором будут писаться посты, на основе ваших текстов (или чужих) Шаг 2. Content-audience-profiler → профиль аудитории ( нужно сделать один раз) Вкидываем инфу про аудиторию, скил сохранит audience profile Шаг 3. Здесь развилка. - Если вас посещают оригинальные + интересные мысли/тейки — наговаривайте их в Wispr Flow (или куда угодно) и переходите дальше. - Если прямо сейчас ничего нет - запускаем скил talking-point-extractor. Киньте ссылку на статью/книгу/что угодно, откуда хочется нафармить тейков для постов Шаг 4. Talking-point-curator Отбирает тейки, у которых выше вероятность зайти вашей аудитории Шаг 5. Post-enricher Верифицирует, что тейк не булшитный, и (главное) нагуглит доп артефакты, раскрывающие мысль: истории, статистику, кейсы, цитаты и т.д. Шаг 6. Linkedin-post-writer Пишет черновики поста на основе базы из свежих шаблонов https://kleo.so/ Шаг 7. Linkedin-post-reviewer Критикует и улучшает черновики поста Шаг 8. Linkedin-meme-picker Делает несколько вариантов мемов для иллюстрации поста. Использует апи https://memegen.link/ (бесплатно) Все скилы общаются через папку content-workspace в вашем текущем проекте, она создастся сама. Ничего не запускается автоматически - вы сами говорите, какой скил дёрнуть; шаги можно тасовать и пропускать. Конечно же будет лучше, если вы прочитаете финальный пост и перепишите его в своем стиле (и картинку сами подберете), но если ВДРУГ нет, тогда прогоните через humanizer. Скилы не пропускают банальные признаки ИИ-слопа, но лучше сделать еще один прогон.

Два карьерных стула: ИИ-дженералист vs "AI-native обычный маркетолог" Вопрос подписчикам, особенно тем, кто ищет работу (или подумывает..) Если слушать западных ЛОМов, то в отношение формы и содержания "маркетолог будущего" (это же плюс-минус касается и продактов и т.д.) сформирован консенсус Маркетолог-будущего это человек, который: 1. Дженералист, понимает как работают все основные каналы, на каких и в каких условиях лучше фокусироваться, как выстроить acquisition mix, плюс джентельменский набор "умеет в аналитику", умеет спускаться вниз по воронке, чтобы поднять конверсию там где bottle neck и т.д. 2. Обладает черным поясом по ИИ = делает/нанимает ИИ агентов, чтобы те были руками-исполнителями его замыслов. Получается, это чаще всего портрет потного head of growth из прошлого, который из менеджера становится индивидуальным контрибьютором. Раньше у него была команда из нескольких человек, теперь он либо все делает в соло, либо есть еще 1-2 таких же жёстких спецов на узко-специализированные вещи (например SEO). Работаешь руками, минус дейлики, синки, 1-1,.. Денег такому спецу нужно платить сильно больше. ____________________________ Одновременно с этим, есть реальный мир и традиционные маркетинговые команды. Это царство инерции (или мб здравого смысла?). Лид хочет остаться лидом и получать зп лида. Лид хочет, чтобы его сотрудники стали AI-native = делали то же, что и раньше, но сделали свой КПД выше с помощью ИИ. Специализации остаются. Зп у сотрудников остается той же (пусть радуются, что не уволили). Вопрос: Вы в принципе замечаете, что на рынке появляются вакансии "ИИ-дженералист", которые про "будущее"? Я из похожего вижу только "GTM-инженеров", но это как будто больше специалитет в легаси-команды. Напишите в комменты ваши наблюдения.

Как поднять конверсию для распродаж и акций. Свежее исследование ✍️ TLDR Разбитая на компоненты (stacked) скидка бустит конверсию в покупку на 16% vs такой же по размеру цельной скидки Т.е. cкидка 35% одним куском и 15% + 10% + 10% математически одно и то же, но во втором случае конверия выше. Работает логика «собрать комбо и на*бать систему» 🔍 Подробнее об исследовании Работяги из Bentley University сделали 6 экспериментов + спарсили 9000+ постов с дил-сайта slickdeals.net. Получилось: ➢ Скидка 25%, разбитая на 4 части дала, +16% к shopping intentions против той же цельной ➢ Stacked-офферы на дил-сайте: +66% просмотров, +53% апвоутов, +52% комментов ➢ Солянка из 4 небольших скидок против одной большой воспринимается на 33% как что-то более эксклюзивное и дает на 21% более сильное ощущение «жесть я умный + темщик» ➢ Формат не важен, проценты или "$баксов off", работает одинаково ➢ Эффект слабее, когда сборка комбо кажется трудозатратной, и сильнее, когда общая скидка небольшая 🧠 Почему так Все привыкли, что скидки не стыкуются = редкая возможность + "жесть я умный" = промо ощущается ценнее Плюс, мы ценим то, во что вложили усилие: собрать купон из письма + промик с баннера это микро-задачка. Тот же механизм, из-за которого юзеры чаще активируют скидку, если перед этим надо пройти капчу. И третье: раз комбо редкое, включается срочность, надо успевать, пока лавочка не прикрылась 🤸‍♂️ Как применять ➢ Пилим скидку на компоненты с разными поводами: 15% сезонная + 10% welcome + 25 баксов на счет ➢ Стыковка должна быть простой - часть применяем автоматом, для остального даем понятные шаги ➢ Если товар физический, то даём купон на сумму доставки вместо бесплатной доставки (само по себе кстати поднимает CR в покупку, не разгоняя возвраты) ‼️ Критическое условие ➢ На больших скидках эффект слабее (>50%) ➢ "Темка" со stacked скидосами для юзеров сложнее в проворачивании, нужно поймать баланс, чтобы сборка пазла не была слишком сложной 🖇 Ссылка на рисерч "One of a kind: How stacked discounts make customers feel smart". Zhong, W. & Xia, L. Journal of Retailing (декабрь 2025)

Потный пайплайн для генерации тактик для партизанского маркетинга Подписчики, хвастаюсь, что сделал бесплатный плагин для клод кода и кодекса, который умеет генерить growth-тактики для продвижения вашего стартапа/продукта Ссылка на GitHub 💎 Что выдает 7-10 неконвенциональных хитрожопых тактик для привлечения юзеров. То, что приходится делать, когда у конкурентов больше денег и других ресурсов и нужно их перехитрить + обыграть. Плюс еще 6 полезных репортов на базе промежуточных рисерчей. ❔ Как работает Сперва смотрит на ваш сайт, чтобы понять о каком продукте речь (если сайта нет, тоже норм, можно описать идею). Далее короткое интервью про текущее состояние дел и цели. Потом делает несколько важных рисерчей (конкуренты, как работает их аквизишен, JTBD-сценарии юзеров и т.д.). Наконец, ищет релевантные для вашей индустрии growth-кейсы, декомпозирует их до атомарных принципов "почему этот подход раньше сработал, какие фундаментальные механизмы лежали в основе успеха". Заканчивается все синтезом новых тактик, где рисерчи и growth-вектора варятся вместе, чтобы на выходе получились novel-тактики. На все про все уходит в районе 90-120 минут. Результат будет на английском (ваша LLM без проблем переведет если нужно). ♟ Кому подходит В первую очередь стартапам без существенных инвестиций. Пет-проекты, солонепрерство, инди-хакеры. Однако, в общем и целом будет полезно всем, т.к. основная ценность в "необычной" точки зрения на привлечение. Не обещаю, что вы захотите имплементировать эти тактики as is, но вероятность того, что вам в голову придут новые светлые мысли высокая. ⚙️ Как пользоваться 1. Поставить плагин 2. Если у вас настроен Perplexity MCP, плагин будет по-умолчанию его использовать для рисерчей (и сожрет токенов на $3-$5). Если не настроен, тогда будет использован дефолтный web search tool клод кода / кодекса (=бесплатно). Результат с Perplexity лучше, но не критически (что меня сильно удивило, кстати) 3. В конце в папке откуда запустили появятся md-файлы с рисерчами и синтезом, так же плагин сгенерит html-версию всех репортов. Когда пойдете тестировать, бомбаните звевзду в гитхабе 🫡

Опять про AI SEO, но теперь мощный аргумент, что к нему нужно относится как к отдельной функции, а не придатку олдового SEO. В Ahrefs (=авторитетно) за полгода сделали кучу рисерчей, проанализировали 1 млрд дата поинтов и выяснили следующее: 1️⃣ Статьи-листиклы "Best X" - лучший формат для ИИ-цитирования. 43.8% всех ссылок ChatGPT ведут на них 2️⃣ 67% топ-цитат ChatGPT = источники, на которые мы не слишком сильно можем влиять: Wikipedia (29.7%), главные страницы (23.8%), сторы приложений (6.6%). Влиять реально только на 32.3% 3️⃣ 28.3% самых цитируемых страниц имеют ноль органики в Google. ИИ цитирует то, что не ранжируется вообще 4️⃣ ChatGPT цитирует лишь ~50% страниц, которые открывает. Остальное читает "в фон" без ссылки. Быть прочитанным ≠ быть процитированным. 5️⃣ Schema-разметка не дала эффекта на цитируемость. AI Overviews даже просел −4.6%. 6️⃣ Упоминания на YouTube - корреляция 0.737 с видимостью бренда в ИИ. Выше, чем бэклинки, DR и всё классическое SEO вместе взятое 7️⃣ AI Overviews срезают клики по топ-1 результату на 58%. Десять месяцев назад было 34.5%. Zero click marketing - акции вверх 8️⃣ 99.9% AI Overviews вылезают на информационных запросах. Транзакционные и локальные почти чистые. Коммерция триггерит ИИ-блок лишь в 3.2% случаев 9️⃣ AI Mode и AI Overviews приходят к одному выводу в 86% случаев, но ссылаются на совершенно разные источники - пересечение цитат всего 13.7% 🔟 AI Overviews меняются в среднем каждые 2.15 дня, 70% контента обновляется. Но смысл стоит на месте: семантическая близость 0.95. Слова тасуются - суть нет 🧠 Вывод: оптимизировать сайт под Google и под ИИ — две разные задачи. YouTube, листиклы и присутствие там, где вас не контролируют, важнее микроразметки и позиций. Источников естественно нет - верим на слово 🫡

Подъехали новые данные по доле AI-поиска (и том насколько опять умерло SEO) ✍️ TLDR AI disruption поиска опять не подтверждается данными. AI-тулы растут, но с очень низкой базы. Источник данных - clickstream (десктоп онли). 💾 Данные 🔵 Доля олдскульного поиска в гугле в США: 10.4% в Q1 2026 против 9.9% в Q1 2025. В EU/UK - 11.2% против 10.8%. Де-факто, выросла. 🔵 Но AI растет быстрее поиска? В относительных процентах - да, в абсолютных - нет. AI-тулы в США выросли с 1.3% до 1.7%, поиск в гугле с 9.9% до 10.4%. Поиск прибавил больше в абсолюте. 🔵 AI Overview от Google - это огромная история? Это 0.16% в США и 0.21% в EU/UK на март 2026. Растет в 2.5x за квартал, но с такой низкой базы, что не оч серьезно. 🔵 ChatGPT доминирует, Claude дышит в спину? Нет. ChatGPT в США: 34.8% юзеров на март 2026, пик был 37.1% в сентябре 2025. На втором месте Gemini (16.1% в США, 18.9% в EU/UK), и именно он растет быстрее всех в абсолюте. Claude укрепился (с 3.6% до 8.6% за квартал в США), но он пока третий, а не второй. Короче SEO нас всех переживет ☠️, расходимся Пдф репорта "State of Search Q1 2026" первом комменте.

Зацените мой продукт для генерации аквизишен тактик для стартапов ⛓️ Ссылка - diffmode.app 🎯 Для кого В первую очередь для стартапов, у которых низкий MRR и мало денег на маркетинг (или не сходится экономика в платных каналах). Таргет на США в первую очередь, но в целом весь глобал работает адекватно. 🤔 В чем прикол Если вы хотите использовать AI для помощи с брейнштормом подходов к аквизишену, по-умолчанию всегда будете получать best practices = слоп. Даже если делать базу знаний с инфой про продукт, аудиторию и т.д. сильно лучше не станет. Чтобы это законтрить, я в RnD режиме несколько месяцев тестировал подходы, чтобы научить AI-синтезировать growth-хаки = не дефолтные вещи, которые делают все конкуренты в нише, а адаптированные под реальность конкретного стартапа тактики, у которых вероятность сработать сильно выше. 🤸‍♂️ Как пользоваться В бесплатной версии работает упрощенный пайплайн, который генерит одну аквизишен тактику и несколько базовых репортов про конкурентов и аудиторию. Скорее всего это уже будем вам полезно. Если кто-то из канала захочет попробовать про-версию (с манибэком если не зайдет) - пишите в ЛС, дам жирный промик.

Llms.txt на деле оказались тотальным булшитом, который игнорируется любыми ии-ботами. даже не заморачивайтесь с их поддержкой

Подъехал потный рисерч перформанса GEO (поиска в нейронках) как канала привлечения Помним что GEO = SGE = AIEO = LLMEO = AISEO=... ☠️ ✍️ TLDR ЛЛМ-трафик по revenue per session проигрывает всем традиционным каналам, кроме paid social. Единственное исключение - сложные продукты с долгим research cycle: там траф из ChatGPT/Perplexity конвертит сильно лучше. 🔍 Подробнее об исследовании Авторы из University of Hamburg и Frankfurt School проанализировали 12 месяцев first-party данных с 973 e-commerce сайтов: • $20 млрд суммарной выручки • 164 млн транзакций с традиционных каналов • 50 000+ транзакций с ChatGPT-referrals • 49 стран, 24 категории Что показали цифры (август 2024 — июль 2025): • У традиционного SEO конверсия в покупку на 13% выше чем у GEO-трафика, у affiliate - на 86% выше. • Revenue per session - ниже всех, кроме paid social • Доля GEO-трафика — всего ~0.2% от общего (90% - это ChatGPT) • У сайтов со сложными продуктами доля GEO-трафика в 4.6 раз выше • У сайтов с молодой аудиторией - в 5.5 раз выше, с технически подкованной - в 3.8 раз ‼️ Важно Конечно же товарищи немцы использовали ласт клик атрибуцию = недооценили в 2-3 раза количество покупок от LLM-трафика. В любом случае, конвершен рейт у потерянных GEO-покупок должен быть таким же как выше. 🧠 Выводы AI-шопинг добавляет лишние шаги: промпт → чтение ответа → клик → сайт → покупка. Для простых товаров (н: футболка, шампунь) это лишнее трение - зачем спрашивать ChatGPT, какую майку купить. А вот для сложных покупок (техника, B2B, стройка, авто) - где нужны сравнения и синтез информации - AI реально экономит время и даёт ценность. 🖇 Ссылка на рисерч Здесь. Но можно забрать сам пдф с исследованием в первом комменте.

Сделал себе проект для нейро-аудита рилсов / тиктоков через Gemini Имба фича Gemini — анализ видеофайлов напрямую. Не скринов, не транскрипта, буквально кидаешь ей видик и модель его реально "смотрит". Получается, можно на коленке собрать аудитора, который распарсит видос на кирпичики и прогонит по базе знаний с выводами из behavioral science исследований (когнитивная нагрузка, prediction error, дофаминовые механизмы, emotional contagion и тд). Конечно же не все идеально + что-то спорно, но в целом получается жир! Релевантно всем, кто делает short form контент - рилсы, тиктоки, шортсы (в том числе рекламные). 📊 Что умеет • Скоринг-таблица из 5 метрик: hook, retention, identity, arousal, value + sound off check • Посекундный "рентген" видео - где юзер может свайнуть видос и почему • Прогноз вирального охвата: <10k / 10-50k / 100k+ / 1M+ (ну это самое спорное, конечно 🤔) • "План лечения" — конкретные рекомендации что починить 🛠 Как использовать 1. Создать в веб-интерфейсе Gemini новый gem 2. Загрузить системный промпт + прикрепить как вложения 2 файла базы знаний 3. Закинуть видос на анализ 4. Прочитать и расстроиться 🔗 Все артефакты в одном Google Doc: Ссылка Промпты частично на английском, аутпут будет на русском. Кидайте в комменты свои наработки по теме, сделаем вместе потную про-версию.

Оказывается у Manus.im с недавних пор есть API интеграция с SimilarWeb. Если для вас актуален рисерч конкурентов - можно очень хорошо подвигаться 🫡 Подписка на манус стоит $40 + кредитов еще выжирается на десятки долларов, однако все равно сильно дешевле, чем платить за similar web напрямую. Пример как может выглядеть репорт (но слабый пример, конечно)

Подгон для читателей канала В этом посте я говорил, что работаю над проектом AI CMO. Проект задуман для внутреннего использования нашей венчурной студией, однако, чтобы сделать его еще сильнее, мне нужен фидбек от внешних продуктов. ✨ Мое очень важное мнение про пользу AI для маркетинга Вообще-то я ИИ-скептик (если сравнивать со средним градусом внутри ИИ-бабла) и очень прохладно отношусь к кул сторис, что ИИ кого-то заменит и т.д. Большая часть артефактов, которые может генерить AI для разного рода маркетинговых нужд, получаются очень average. А average для маркетинга, как правило, не работает.. Не то чтобы я утверждаю, что мой AI CMO выдает что-то непременно великое, однако я очень сильно заморочился, чтобы получалось сильно лучше того дефолта, который можно добыть используя ванильный Claude/ChatGPT. 💎 Что предлагаю Если вы стартап с фокусом на global и хотели бы посмотреть на аутпут AI CMO для вашего продукта - напишите мне в ЛС. Возьму 5 продуктов. Какие отдам артефакты: ● 8-12 не очевидных demand gen тактик для вашего B2C/B2B стартапа/скейлапа. То, что помогает добывать пользователей в условиях, когда ресурсов мало, экономика в обычных каналах не сходится и т.д. ● Детальные, пошаговые гайды по реализации тактик из пула выше (не всех, чтобы не размывать фокус, система автоматически приоритезирует 3-5 самых жирных) ● Результаты тестов нескольких вариантов позиционирования (и value props-ов). Тесты проходят на базе AI-фокус группы по методологии из этого поста (90% совпадение с ответами живых людей). ● Html-прототипы хоумпейджа вашего продукта и лендингов для основных jtbd-сегментов. 🤝 Что хочу взамен Яростную критику содержимого артефактов, но обязательно с деталями! В похвале интереса нет, я и так знаю, что система хорошо работает, нужно подсвечивать слабости. - - - Ставьте 🫡 если вы тоже ИИ-скептик (при этом общаетесь с ЛЛМ больше, чем с живыми людьми) и 🌚 если хотите, чтобы ИИ лишил работы читателей канала..

Мне понравилось это YT видео про мат часть sales-механик. Рекомендую смотреть, если sales это не ваш прямой профиль, но интересно разложить все по полочкам. Автор пользуется своим собственным фреймворком LAPS, чтобы разделить sales-цикл на 4 этапа, Не буду здесь все в деталях описывать, видео смотрится за 15 мин на x2. Из того, что мы любим, автор ссылается на исследования, чтобы пруфнуть, что его тезисы про механики не высосаны из пальца, а научно обоснованы. Мной был проведен факт-чекинг(!) этих тезисов, выводы ниже 🫡 ✨ В 2026 году, про свой B2B продукт нужно часто постить short-form(!) контент. Пруф: Google ZMOT рисерч с панелями на тысячи юзеров показывал, что человеку в среднем нужно 10.4 касания с упоминанем продукта, чтобы обратить на него внимание. Автор округляет до 11 касаний за 90 дней. Эту же логику можно переносить на рекламу и т.д. ✨Нужно инвестировать в long-form контент: видео, подкасты, полезные пдфки и т.д. То, что потребляется за 10 - 60 мин, чтобы суммарное время потребление вашего контента шло на часы и "накопилось" доверие. Пруф: работа Robin Dunbar (Oxford), что нужно 2-7 часов интеракций для "know-like-trust" -> в разы росла конверсия вниз по воронке. ✨ Быстрый фоллоуап: связаться в течение минуты после заявки Пруф: статья в HBR, про исследование на 1.25 млн лидов. Коммуникация в течение часа после оставленной заявки повышает конверсию в квалификацию лида в 7 раз. ✨Делать презы для любых разговоров. Пруф: статья в MIT Brain & Cognitive Sciences - >50% нашего мозга напрямую или косвенно задействованы в визуальном восприятии = слайды снижают когнитивную нагрузку -> повышают конверсию ✨ Не отвечать на вопросы по одному, а копить их и отвечать потом на все разом Пруф: подход из теории ведения переговоров, которая разработана в MIT. Статья. Чуть более сомнительные тейки: ✨ 80% всех сделок заключаются после 5-12 фолоуапов Пруф: конкретно этот тезис, который якобы подтверждается некой NSEA, это сейлз-фольклор, такой организации не существует. Но в той же статье от HBR (ссылка выше), есть цифра, что 80% сделок закрываются после 5 фолоу апов, что верифицирует базовый тейк. ✨ Подход к формулировке фолоу апов через "Have you given up on [Outcome]?" Пруф: адаптированная для сейлз механика из книжки экс-переговорщика ФБР. Людям намного проще (+безопаснее) сказать "нет", чем "да", поэтому фрейминг, когда вам выгоден ответ "нет" конвертит лучше. Ставьте 🔥 если фоллоуапите до победного и 🫡 если после второго "нет" уходите в закат..

Протестил насколько хорошо Gemini 3 Pro умеет анализировать ютюб видео. 💎 Что получается неплохо Довольно хорошо анализируются одиночные видео. Например, промпт по извлечению хот тейков из конкретного видео (вот этого, например) для переупаковки в LI пост (или в целом куда угодно) стабильно выдает достойные цитаты и ставит ссылку на правильный таймкод (без глюков в моих тестах). Пример для видео выше Title: $2.4M/Year From a "Boring" Idea Hook: You think the "Logo Maker" niche is saturated? You're wrong. Data: "Logo Maker... [did] $200,000 of revenue just in the last month." Action: Stop looking for "blue oceans." Go where the fish are already biting. If a niche is "saturated," it means there's wallet share to steal. Context: A simple prompt-to-logo tool charging $6.99/week. No complex agents. Just basic utility for a high-intent audience (new business owners). ☠️ Что получается плохо Запросы "найти несколько видео в которых xyz" безнадежно галлюцинируют. Из 10 ссылок на ролики 7 выдуманы (при этом "проанализированы") и т.д.

Не читайте этот после если не хотите... Смотрим новый рисерч про фрейминг вэлью пропов. ✍️ TLDR Негативные формулировки вроде "Этот курс НЕ подходит тем, кто не хочет зарабатывать $10K в месяц"» конвертят на 20%+ лучше, чем позитивные вроде " Это курс для тех, кто... " (но есть нюанс!) Мозг считывает такой месседж как сигнал узкой специализации = работает если старгетировать на релевантный (и чаще всего узкий) сегмент аудитории. Получается, подойдет для рекламы, имейлов и т.д. 🔍 Подробнее об исследовании 8 экспериментов с физ товарами и услугами (что не помешает нам экстраполировать выводы на всё остальное 🫡). Некоторые результаты: ➢ Кофе: любители тёмной обжарки на 48.4% чаще выбирали вариант с негативным фреймом. ➢ Зубные щётки: негативная формулировка на 28.6% повышала CTR и на +31.7% engagement на лендинге (надеюсь, они хотели сказать add to carts). ➢ Острый соус: purchase intent вырос на 11.1% при негативном фрейме. 🧠 Почему так Когда value prop сформулирован как «не для тех, кто..», мозг делает вывод, что это узкоспециализированное решение = «заточено под меня» → ↑ perceived fit → ↑ purchase intent. Работает логика «мастер одного дела vs мастер на все руки». 🤸‍♂️ Как применять ➢ Нужно хорошо понимать сегменты аудитории и уметь их таргетить. Доля целевой аудитории должна быть >60%, ➢ Работает для ниш где у разных сегментов полярные предпочтения. Например; простота vs функциональность (Notion vs Apple Notes), скорость получения навыка (DataCamp vs Coursera Data Science), любитель vs профессионал (Canva vs Figma) и т.д. ➢ Фрейминг универсальный и подходит почти для всего: реклама, соцсети, описания продуктов, email-рассылки, отзывы и UGC контент от юзеров и т.д. ‼️ Критическое условие ➢ НЕЛЬЗЯ использовать для продуктов, связанных с идентичностью (политика, религия, lifestyle как маркер принадлежности) - там берут верх другие механики. ➢ Для нецелевой аудитории эффект обратный: конверсия сильно просядет. Негатив отсекает их ещё жёстче. 🖇 Ссылка на рисерч "This Article Is Not for Everyone: The Impact of Dissuasive Framing on Consumer Response to Product Messages". Journal of Consumer Research (2025). ПДФ добытая из под пейвола в первом комменте. Ставьте 🫡 если вам часто говорят, что вы негативный (как автору) и 🔥 если двигаетесь на positive thinking.

Это же кто-то из вас! Признавайтесь, чей LinkedIn аккаунт.. Мой - 🫡 Оформил LI для друга - 🌚

Как сделать AI-фокус-группу, которая отвечает на 90% так же, как живые люди (рисерч с панелью из 9300 человек). ☠️ АЛЕРТ: этот пост местами очень душный, 10/10. При этом потенциальная польза тоже на 10/10. В любом случае, откройте форточку.. Ссылка на рисерч (фул пдф в первом комменте) ✍️ TLDR Консенсус в индустрии: если с помощью AI имитировать интервью с целью выявить purchase intent - точность будет никакой. Однако, если использовать правильную технику опроса - AI отвечает на 90% так же, как живые люди. 🔍 Подробнее об исследовании GPT-4o и Gemini-2.0-flash тестировали на 57 концептах продуктов личной гигиены (зубные пасты, гели для душа, уход за кожей) с 9300 реальными участниками (150-400 человек на концепт). Результаты: ➢ Если задавать дефолтный вопрос "оцени по шкале от 1 до 5..." (метод Direct Likert Rating) → результат так себе. Модели застревают на "безопасном" ответе "3", почти никогда не выбирают крайние значения 1 и 5 (корреляция 81%, сходство распределений 0.26). ➢ Если просить AI дать текстовое описание, а потом перевести его в цифру (один AI пишет текст, потом другой AI переводит в 1-5) → результат лучше (но распределение всё ещё слишком узкое, корреляция 85%, сходство 0.72) ➢ Но если использовать метод Semantic Similarity Rating (SSR) → получается очень хорошо (корреляция 90%, сходство 0.88) Де-факто, SSR достигает 90% от повторяемости ответов людей — это предел точности, выше которого подняться невозможно из-за шума в человеческих ответах. 🧠 Почему так и как работает SSR Когда AI просят "оцени по шкале от 1 до X", модель работает в режиме "пытаюсь угадать правильный ответ" и скатывается к центру шкалы. Это не баг,а фича того, как работают LLM. Метод SSR обходит проблему через 3 шага: ➢ AI пишет естественный текст: "Цена кажется справедливой, продукт удобный, возможно куплю если будут хорошие отзывы" ➢ Смысл текста кодируется в набор чисел - тексты с похожим смыслом получают близкие "координаты" ➢ Эти координаты сравниваются с координатами 5 эталонных фраз ("точно нет" → "точно да"). Чем ближе по смыслу к "точно да" — тем выше вероятность оценки 5 ‼️ Критическое условие работоспособности ➢ Обязательно нужна инфа о демографии юзеров. Без возраста, дохода, локации точность воспроизведения падает с 92% до 50%. ➢ Работает только для доменов с богатыми обучающими данными (B2C, B2B SaaS). Для ультра-нишевого B2B метод не валиден (AI не знает специфику рынка). 🤸‍♂️ Как это все использовать Строим цифровых двойников наших идеальных клиентов, чтобы тестить лендинги, письма, ценообразование, позиционирование и т.д. Слабые варики отсеиваем через AI-панели, выживших все таки стоит показать обычным людям.. Для реализации нужны скилы вайб кодинга маркетинга. Я бы делал все в курсоре / claude code: ➢ Собираем в папочку как можно больше данных о наших юзерах / клиентах: интервью, касдевы, записи звонков, отзывы, все что есть в CRM и т.д. ➢ Извлекаем поведенческие паттерны. Промптируем, чтобы выжать из данных: что мотивирует клиентов, что триггерит покупку, что останавливает, какие возражения типичны, какой эмоциональный контекст и т.д. ➢ Создаем AI-панель. Для каждого представителя нашей аудитории создаём AI-двойника с точной демографией + поведенческими паттернами ("Ты женщина 42 года, доход выше среднего, живёшь в крупном городе, вот твои поведенческие паттерны") ➢ Задаём вопрос про наш продукт, получаем текстовый ответ. ➢ Дальше, нужно написать Python скрипт, который проведет SSR-оценку ответов AI-двойников. Исследователи выложили свой код на Github, вы легко адаптируете его под свой кейс. Ну или всегда можно попросить более технически подготовленных коллег помочь. Ставьте 🌚 если просите совет только у AI и 🫡 если пока еще верите живым людям..