Channel
@mathforimpact
On this record: Growth · Engagement · Reactions · Stars · Posts · Citations · Cite this entry
789subscribers
+0 since we began measuring on 6 August 2026
Risers and fallers across the register · movement among entries of Under 1,000.
| Telegram ID | -1002536971522 |
|---|---|
| Type | Channel |
| Username | @mathforimpact |
| Created | 15 June 2025 — measured — dated from the channel’s first post |
| First recorded | 6 August 2026 |
| Last confirmed live | 7 August 2026 |
| Measurements held | 2 |
| Confirmed unchanged | 1 time, most recently 7 August 2026 |
| On Telegram | t.me/mathforimpact |
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 7 Aug 2026, 08:19 | 789 | no change |
| 6 Aug 2026, 22:46 | 789 | first reading |
14 posts held, back to 15 June 2025 — the reader has not yet reached the start of this channel’s public history, so older posts may sit further back, unread. Read across 1 pageof Telegram’s post history, 20 posts per page.
Nothing published in the last 30 days. ERR and ER are rolling 30-day measures, so there is nothing to compute — we hold 14 posts for this entry, the most recent from 5 March 2026. An engagement rate over an empty window would be a number about nothing.
350 reactions across 13 posts, in 14 distinct kinds. The most used accounts for 47.4% of them.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| 🔥 | 166 | 47.4% | |
| ❤ | 101 | 28.9% | |
| 👍 | 24 | 6.86% | |
| 🦄 | 16 | 4.57% | |
| ❤🔥 | 12 | 3.43% | |
| 👎 | 8 | 2.29% | |
| 🐳 | 7 | 2.00% | |
| 👏 | 4 | 1.14% | |
| 😨 | 4 | 1.14% | |
| 🌭 | 3 | 0.857% | |
| 💩 | 2 | 0.571% | |
| 🍓 | 1 | 0.286% | |
| 💅 | 1 | 0.286% | |
| 😱 | 1 | 0.286% |
No sentiment is inferred, and none should be read in. This table is ordered by count and by nothing else. Emoji do not carry stable meaning across languages or communities — 🙏 is thanks in one channel and mourning in another — so we publish which ones were pressed and how often, and pass no judgement on what an audience meant by them.
Precision. Telegram publishes reaction counts per emoji and short-forms each one — 4.34K, 1.2M — so any single kind at or above 1,000 reaches us at three significant figures, and only counts below 1,000 are exact. The shares above are ratios of those figures and carry the same error. This is also why the total here can differ slightly from a reaction total printed elsewhere on the page: both are sums of the same rounded parts, taken over samples with different edges.
Coverage. Reactions were read on 13 of the 14 sampled posts in this sample. Summed by Telegram’s own count on each post — not by adding up the per-emoji breakdown above — those same posts carry 350reactions in total: the kind of figure the paragraph above means by “a reaction total printed elsewhere on the page”.
Measured over the 14 most recent posts we hold, published 15 June 2025 to 5 March 2026, using the newest reading held for each. Telegram Stars are excluded: they are a payment, not a reaction, and they have their own section.
A paid reaction is a reader spending Telegram Stars — bought with money — on a post by @mathforimpact. Telegram publishes the count on the public post preview alongside ordinary reactions, and this register reads it there. It is the only figure on this site that measures money moving rather than attention.
Stars are not reactions, and the two are never added. They are rendered in the same strip on Telegram and counted in the same shape, but one is a tap and the other is a purchase. The reaction totals and the engagement rate elsewhere on this page exclude every figure in this section, and no rate here is computed against a reaction count.
This is not revenue, and we publish no currency figure. What a Star costs a reader and what it pays a channel are different numbers, Telegram takes a share we cannot observe, and the terms have changed. Converting a Star count into money would be an estimate dressed as a measurement, so the count is where we stop.
Counted over the 14 most recent posts we hold for this entry, published 15 June 2025 to 5 March 2026. Star counts above 1,000 reach us in Telegram’s short form and carry the same three-significant-figure rounding as everything else on this page.
Привет! Потихоньку возвращаюсь к каналу, параллельно меняя работу. Пока готовлю материалы для новой серии постов, релизнули тест с гробовыми задачами из нашей практики. Надеюсь, хоть кто-то сможет пройти на 5/6 😅 P.S. Рома провёл исследование AI. ChatGPT, Claude и Codex смогли пройти только на 1/6, а вот Gemini - 3/6. У нас ещё есть шанс!
❤14🔥8👏4
Практический гид по A/B-тестам TL;DR Наша команда собрала опыт в формате ежедневных коротких советов и кейсов по A/B-тестам, а также добавила возможность получить разбор своих экспериментов от экспертов. Всё доступно на сайте. Почему мы это сделали Одни из моих основных задач — ревью крупных экспериментов: – оценка пользы нефинансовых сервисов; – анализ редизайна ключевых экранов; – тестирование кросс-продуктовых м…
❤26🔥12👎8❤🔥5👍4😨4
A/B тестирование большого числа моделей TL;DR Позволяет эффективно проводить эксперименты с большим числом персонализаций и существенно снижать размеры выборок. Почему обсуждается? Когда мы тестируем несколько вариантов моделей, размер выборок быстро растёт. Однако решения моделей на большой доле клиентов могут совпадать. Рассматриваемый подход похож на валидацию моделей без A/B и позволяет значительно снизить затр…
❤14🔥5🌭3❤🔥2🍓1😱1
Условная максимизация в uplift моделировании TL;DR Позволяет персонализировать принятие решений, выбирая оптимальную стратегию с учётом не только эффекта, но и стоимости воздействия. Почему обсуждается? Обычная uplift модель выбирает вариант с максимальным ожидаемым эффектом. Но в реальных задачах каждое воздействие имеет свою цену или риск. Рассматриваемый подход решает эту проблему: он позволяет находить оптималь…
🔥17❤🔥4❤2🦄2
Оценка качества персонализации TL;DR Позволяет оценить эффективность персонализации без проведения нового эксперимента. Особенно полезен, если вариантов воздействий немного. Почему обсуждается? При разработке персонализации важно заранее понимать, принесёт ли она прирост целевых метрик и не создаст ли нежелательных эффектов. Рассматриваемый подход позволяет оценить ожидаемую пользу и риски персонализации на оффлайн…
🔥11🦄5❤1
Uplift моделирование: Causal Random Forest TL;DR Позволяет персонализировать принятие решений, предсказывая эффект от каждого воздействия на клиента. Особенно полезен, если вариантов немного. Почему обсуждается? Модели, основанные на S-learner подходе, могут слабо различать варианты воздействий на клиента. Рассматриваемый подход позволяет сильнее сфокусироваться на различиях между вариантами воздействий. Проблема …
🔥17👍3❤2💅1
Uplift моделирование: S-learner TL;DR Позволяет персонализировать принятие решений, предсказывая эффект от каждого варианта решения. Особенно полезен, если вариантов много. Почему обсуждается? Этот пост открывает серию разборов, которые в конце будут объединены в оригинальную методологию управления бюджетом с помощью ML. Начнём с базового подхода, на котором строится стратегия персонализации. Проблема Нужно персон…
❤9🔥6👍3🦄3
Последовательный критерий хи-квадрат для проверки SRM TL;DR Адаптирует классический критерий хи-квадрат для последовательного применения и позволяет обнаруживать SRM до завершения эксперимента. Почему обсуждается? На конференции мат. центров России я выступил с докладом о случайных блужданиях. Результат, связанный со сходимостью статистики хи-квадрат к квадрату процесса Бесселя, позволил построить последовательный …
🔥14❤3🦄2
Математика последовательных подходов TL;DR Три последовательных критерия — SPRT, GST и mSPRT — используют разную математику. В этом посте — краткий обзор формул, допущений, сильных и слабых сторон каждого критерия. Почему обсуждается? Последовательные подходы основаны на разных математических принципах — от мартингальной теории до центральной предельной теоремы. Понимание используемой математики помогает лучше виде…
🔥12❤6🐳2❤🔥1👍1
Последовательная проверка SRM TL;DR Позволяет во время эксперимента проверять корректность долей выборок. Эффективен при длинных тестах. Почему обсуждается? Мы хотим останавливать эксперимент как можно раньше, если в нём есть ошибки. Один из простых индикаторов таких проблем — Sample Ratio Mismatch (SRM). Это сильное расхождение между планируемыми и фактическими долями участников в группах. SRM позволяет выявить сб…
🔥13❤7🦄2
Групповой последовательный анализ TL;DR Позволяет адаптировать Z‑тест к последовательному применению. Эффективен в случае быстро вызревающих метрик и наличия изменений. Почему обсуждается? В подходе Вальда нужно знать параметрическое семейство (например, биномиальное или нормальное). Это ограничение можно преодолеть с помощью Group Sequential Testing (GST). Проблема Хотим завершать эксперимент быстрее, если в метр…
🔥12❤3👍3🦄2
Последовательный анализ Вальда TL;DR Позволяет ускорить тесты конверсий примерно на 60%. Эффективен в случае быстро вызревающих метрик и при отсутствии сезонностей. Почему обсуждается? Этот пост открывает серию разборов последовательных критериев - каждый со своими предпосылками, достоинствами и ограничениями. Начинаем с классики - анализа Вальда. Проблема Хотим проводить эксперименты быстрее. Fixed-horizon подход…
🔥17❤7👍5🐳1
Showing the 12 most recent of 14 posts we hold for @mathforimpact. View and reaction counts are the latest single reading for each post, not a live figure, and a recent post is still accumulating both. A view count marked ≈ was rounded by Telegram before we ever saw it — t.me prints views in full below 1,000 and to three significant figures above, so ≈1,200,000 means somewhere between 1,150,000 and 1,249,999. Unmarked counts are exact. Text is reproduced from the public post preview and truncated for length.
Stars beside a post are paid reactions — Telegram Stars, bought with money and spent on that post. They are a different unit from reactions and are never added to them, here or anywhere else on this page.
Citation-graph rank — 654,087 of 1,345,403entries in the measured graph. A weighted position computed from the forward and mention edges below — republished posts weigh more than named mentions — and recomputed periodically, over the whole graph. Published only as this ordinal position, never as a score: a position is a fact, and a score printed beside one channel’s name would read as a verdict this register does not make. The two counts beneath stay separate for the same reason mentions are never summed with forwards anywhere else on this page — a named-by count costs nothing to manufacture. The top 100 by this measure, or how it is computed.
Named by 2 registered channels — every channel on the register whose own posts have named this one, by its current username or any other username it currently holds, merged from two separately captured readings of the same fact so a namer caught by only one of them is not missed and a namer both caught is not counted twice. A username this channel has since dropped is not matched — that handle may belong to someone else now, and crediting today’s namer to yesterday’s owner would misattribute it.
Named by
Channels on the register whose posts name this channel's handle.
Names
Channels on the register whose handles appear in this channel's posts.
A mention is a weaker signal than a forward and is counted separately for that reason — naming a channel is not republishing it, and a handle in a post body is easy to place deliberately. The post counts beside each row below are distinct posts in which the handle appeared, from posts we have read on both sides — the “Named by N registered channels” figure above is a different count, of distinct NAMING CHANNELS rather than posts, and is not the sum of the rows under it.
A live page changes as we take new readings, so a citation should name the measurement it is based on, not just the URL. The line below cites the subscriber count as measured 7 August 2026 — this entry's latest reading, not the date you are reading this.
“Math for Impact” (@mathforimpact), 789 subscribers as measured 7 August 2026. Telegram Register, tgregister.com/channel/mathforimpact.
Full measurement history, CC BY 4.0. Every reading this register holds for this entry, not just the latest one, as a dated, downloadable record: CSV · JSON. Free to use with attribution to tgregister.com. Each file carries its own generation timestamp, which is the figure to cite for exactly when the data was retrieved.