22 июн.

Стабильные блогеры дают почти в 1,7 раза более высокий средний Reach Ratio (просмотры не-подписчиков), чем нестабильные

АБА и Polyana.ai проанализировала 33 тыс. публикаций и пересобрали модель прогнозирования просмотров в инфлюенс-маркетинге. Исследование показало: ключевым фактором для медиапланирования становится не только средний охват автора, но и стабильность его результатов от поста к посту.

На рынке инфлюенс-маркетинга остается системная проблема: бюджеты рекламных кампаний часто строятся на прогнозах просмотров, которые выглядят точными, но на практике сильно зависят от алгоритмов платформ, вирусных публикаций и нестабильности самих авторов. Один пост может резко «выстрелить», другой — не добрать даже до средних значений, при этом оба результата нередко попадают в общую аналитику и влияют на медиаплан.

Polyana.ai, brandformance-платформа для работы с инфлюенсерами на базе AI, совместно с Ассоциацией Блогеров и Агентств провели исследование на выборке из 33 тыс. постов и обновили модель расчета просмотров. Цель исследования — снизить эффект «ложной точности» в прогнозировании и показать, насколько воспроизводимы результаты блогера.

По данным анализа, у стабильных авторов средний Reach Ratio составил 22%, у авторов со средней стабильностью — 16,4%, у нестабильных — 13,3%. Таким образом, стабильные блогеры показывают почти в 1,7 раза более высокий медианный показатель, чем нестабильные.

Главный вывод исследования: для прогнозирования кампаний недостаточно смотреть только на средний охват. Не менее важно учитывать разброс результатов внутри аккаунта.

В основу обновленной модели расчета лег фактор стабильности — показатель, который отражает, насколько просмотры автора повторяются от публикации к публикации. Он рассчитывается на базе коэффициента вариации: чем выше разброс охватов, тем осторожнее должен быть прогноз.

Как стабильность влияет на прогнозный охват

Для стабильных авторов модель использует медианный прогноз P50. Если разброс результатов растет, прогноз автоматически становится более консервативным: система может снижать его до P40, P30, P25 или P15. Это позволяет не переносить единичные удачные публикации на всю будущую кампанию и не завышать ожидания от размещения.

Отдельно модель учитывает вирусные выбросы. Если отдельный пост сильно выбивается из обычной динамики автора, в некоторых случаях он исключается из выборки, после чего показатели стабильности и итоговый прогноз пересчитываются. Такой подход помогает отделять устойчивую эффективность автора от разового алгоритмического всплеска.

«Сегодня инфлюенс-маркетинг — это сформированный рынок объемом в 50 млрд рублей, и вопрос точности заявленных охватов и их измерения для него — один из ключевых. Это не самая удобная тема, потому что про нее не очень любят говорить ни сами авторы, результативность публикаций которых часто зависит не столько от их усилий, сколько от прихотей алгоритма, ни агентства, которым непросто гарантировать клиентам согласованные результаты кампаний. А ведь именно на основе этих результатов принято считать бюджет.

Сами платформы тоже не всегда помогают рынку: они по-разному считают показатели публикаций, и к этому приходится адаптироваться при работе с каждой отдельной площадкой. Особенно с учетом того, что более 80% авторов работают сразу в нескольких социальных сетях. Поэтому создание инструментов, которые снижают фактор “угадайки” в прогнозировании результатов кампаний, — важное явление для рынка», — комментируют аналитики Ассоциации блогеров и агентств.

В Polyana.ai отмечают, что обновленная модель не обещает абсолютной точности — в инфлюенс-маркетинге это невозможно из-за постоянного влияния алгоритмов и поведения аудитории. Но она позволяет сделать прогноз более честным: не просто показать «среднее значение», а оценить вероятность его воспроизведения.

Для рекламодателей это снижает риск переплаты за нестабильные размещения. Для агентств — дает более прозрачную аргументацию медиапланов. Для авторов — помогает отделять устойчивую эффективность от единичных вирусных результатов.

Методология

Исследование основано на анализе 33 тыс. публикаций. В модели учитывались медианный охват, коэффициент вариации, индекс стабильности автора, активность аккаунта, наличие вирусных выбросов, полнота и актуальность данных. На основе этих параметров система определяет уровень достоверности прогноза и выбирает соответствующий сценарий расчета — от медианного P50 до более консервативных P40, P30, P25 и P15.