Революция в работе с лидерами мнений, которую возглавила open data

Инфлюенсеры уже давно зарекомендовали себя как один из основных каналов маркетинга, который, при этом, продолжает быстро расти. С ними работает множество маркетинговых и PR агентств, каждое из которых заявляет об уникальности разработанных подходов. Особые “фишечки” у агентств, конечно, имеются, хотя есть и общие для всех нерешенные проблемы:

  • проверенных (известных) инфлюенсеров в Украине — всего порядка 1000, а их публикации довольно дорогие. Помимо первой 1000, есть еще более 100 000 микро- и нано-инфлюенсеров, чьи публикации стоят значительно дешевле. Это возможность получить необходимый результат за приемлемую цену, но на практике с ними работают редко — нельзя угадать с кем из 100 000+ начинать общение и к чему это приведет;
  • примерно половина всех подписчиков инфлюенсеров в Instagram — боты или заброшенные аккаунты, а для некоторых инфлюенсеров эта цифра может доходить и до 90+%, что сильно усложняет выбор правильного лидера мнений для сотрудничества;
  • промокоды помогают оценить эффективность рекламы для онлайн товаров и услуг, а вот для офлайна такие инструменты развиты слабо. Это не позволяет понять эффективность инфлюенсера в офлайн сегменте.

Эти проблемы в разы снижали эффективность и возможности для использования инфлюенс маркетинга. Но так было до недавнего времени, пока не произошел прорыв в аналитике открытых данных.

Double Data разработала продукт для рынка России, а моя компания — для рынка Украины. Как именно данные продукты изменяют работу с лидерами мнений? Разберем детально ниже.

Вот так выглядит граф связей между людьми в соцсетях. Еле заметные точки — обычные люди, яркие — инфлюенсеры.

[1] ЗНАНИЕ АУДИТОРИИ КАЖДОГО ИНФЛЮЕНСЕРА В ДЕТАЛЯХ

Текущий подход: клиент дает описание своей ЦА, а дальше приходится угадывать — у кого из инфлюенсеров наибольшая доля нужных людей в подписчиках. Очевидно, угадать точные значения невозможно. Это не позволяет выбрать для сотрудничества оптимальных лидеров мнений и заметно снижает эффективность рекламы.

Анализ open data: про каждого человека известны его демография, уровень дохода, психотип, поведенческие факторы и потребности, что позволяет однозначно определить всех людей, которые подходят под описание ЦА бренда. А затем для каждого инфлюенсера (в том числе 100 000+ микро и нано) просчитать долю целевой аудитории в подписчиках. В результате маркетолог получает точный рейтинг наиболее целевых для бренда инфлюенсеров.

Что внутри системы: данные десятков миллионов профайлов из соцсетей, список подписчиков всех лидеров мнений, алгоритмы машинного обучения, которые очищают и структурируют информацию о пользователях.

[2] ВЫЯВЛЕНИЕ БОТОВ И НАКРУТОК В ПРОФАЙЛАХ

Текущий подход: ручной перебор нескольких десятков подписчиков и их оценка “на глаз”, что позволяет весьма приблизительно определить накрутки только простыми ботами. Хотя многие боты сейчас детально заполняются и имитируют активность людей, что не позволяет при первом взгляде отличить их от человека.

Анализ open data: алгоритмы выявляют всех ботов среди подписчиков инфлюенсера, как простых, так и детально замаскированных. В результате маркетолог знает точное кол-во “живых” подписчиков и комментаторов каждого лидера мнений.

Что внутри системы: специально натренированные алгоритмы машинного обучения, которые умеют определять степень схожести каждого аккаунта с ботом. Как такие алгоритмы устроены — детально расскажу в следующий раз, а краткое описание есть в наших совместных статьях с VoxUkraine здесь и здесь.

[3] ОЦЕНКА ЭФФЕКТИВНОСТИ РЕКЛАМЫ ДЛЯ ОФЛАЙНА

Текущий подход: в большинстве случаев качественную оценку сделать нельзя — учет промокодов (использует небольшая часть покупателей) и отслеживание косвенных факторов (большая погрешность) дают лишь приблизительное понимание эффективности.

Анализ open data: решает задачу (не для всех, но многих офлайн бизнесов) за счет метчинга аудитории инфлюенсера с владельцами карт лояльности. Для этого анализируется соотношение: насколько владельцы карт лояльности, которые являются подписчиками инфлюенсера, начали активнее делать покупки по сравнению с другими постоянными покупателями. Также учитывает кто из новых клиентов компании является подписчиком лидера мнений. В результате маркетолог имеет больше информации об эффективности рекламы и может лучше принимать решения.

Что внутри системы: алгоритмы нечеткого метчинга, которые позволяют по набору данных однозначно сопоставить список подписчиков инфлюенсера с владельцами карт лояльности.

Использование аналитики открытых данных активно меняет работу маркетологов с лидерами мнений и, по моим ожиданиям, в скором времени станет новым индустриальным стандартом.

Хотите следить за моими статьями?
Подписывайтесь: TG (Big data future), FB, LI.

Inventor, founder @Artellence. Top topics: artificial intelligence, big data, open data, fintech, public sector, politics, technologies of the future.

Inventor, founder @Artellence. Top topics: artificial intelligence, big data, open data, fintech, public sector, politics, technologies of the future.