В рамках конференции Internet Life главный аналитик Wobot Александра Сивуха представила доклад «Оценка эффективности распространения информации в социальных медиа». В докладе на конкретных кейсах из области маркетинговых и политических исследований рассмотрена собственная методика анализа последствий информационных всплесков. Моделирование пост-эффекта на основе собираемых ретроспективных данных делает возможным как реальное сравнение отношения пользователей к бренду или персоне «до и после», так и прогноз реакций пользователей на будущие события.

1. Оценка эффективности
распространения информации в
социальных медиа
Александра Сивуха,
главный аналитик
a.sivuha@wobot-research.com
27.05.2013

2. Измерение эффекта распространения
информации в социальных медиа
2
Измерение эффекта коммуникации необходимо в случае:
Репутационных рисков для персоны
Рекламных вирусов
Черного пиара для бренда и др.
Метод моделирования поможет:
Оценить влияние информационного вброса на дальнейшее поведение
пользователей в социальных медиа в отношении бренда или персоны
Спрогнозировать эффекты от распространения информации в схожих
ситуациях

3. Мониторинг всплеска (Вобот)
Влияние информационного всплеска на дальнейшее отношение пользователей к
бренду
3
0
50
100
150
200
250
300
Общая динамика в марте
Средняя динамика за месяц
Динамика за март без хомяка
инфоповодаДинамика за март без инфоповода

4. Оценка информационного влияния.
Стандартные метрики
Первичная аудитория
Вторичная аудитория
Потенциальная
(вирусная) аудитория
(Считает размер потенциальной аудитории)
(Измеряет насколько хорошо фаны/подписчики реагируют на контент)
Охват (Reach)
Вовлеченность (Engagement)
4

5. Проблемы стандартных метрик
5
Для оценки реального эффекта используется моделирование ситуации
всплеска на основе собранных данных ретроспективы
Охват
Занижение (люди могут распространять контент не через социальные
медиа, либо в закрытом доступе от системы мониторинга)
Завышение (измеряется лишь потенциальный суммарный охват)
Вовлеченность
Неверная интерпретация социальной вовлеченности в социальных медиа
(например, пользователи отозвались на шутку, либо проблема привлекла
внимание лишь из-за популярности топ-блоггера)

6. Моделирование кейса
Модель всплеска информационного повода:
Измерение «пост - эффекта»
0
200
400
600
800
1000
1200
1400
1600
1800
25/02/2013 02/03/2013 07/03/2013 12/03/2013 17/03/2013 22/03/2013 27/03/2013 01/04/2013 06/04/2013
Всплеск
Пост-эффект
Количество упоминаний
К (потенциал)
р (скорость роста)
6

7. 0
200
400
600
800
1000
1200
1400
01/12/2012
02/12/2012
03/12/2012
04/12/2012
05/12/2012
06/12/2012
07/12/2012
08/12/2012
09/12/2012
10/12/2012
11/12/2012
12/12/2012
13/12/2012
14/12/2012
15/12/2012
16/12/2012
17/12/2012
18/12/2012
19/12/2012
20/12/2012
21/12/2012
22/12/2012
23/12/2012
24/12/2012
25/12/2012
26/12/2012
27/12/2012
28/12/2012
29/12/2012
30/12/2012
31/12/2012
0
50
100
150
200
250
300
Кейс 1. Интернет - магазины
Магазин 1. Рекламный вирус
Охват потенциальной аудитории=3 500 000 читателей
Вовлеченность=0,05%
Магазин 2. Негативный отзыв от топ-блоггера
Охват потенциальной аудитории=3 000 000 читателей
Вовлеченность=0,1%
7

8. -500
0
500
1000
1500
2000
Кейс 1. Интернет - магазины
-500
0
500
1000
1500
2000
-50
0
50
100
150
200
250
Магазин 1
Магазин 2
Группы
Топ - блоггеры
Период всплеска
Период всплеска
Количество упоминаний
Количество упоминаний
8

9. Пост-эффект. Рекламный вирус
0
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
08/10/2012 07/11/2012 07/12/2012 06/01/2013 05/02/2013 07/03/2013
Количество упоминаний
K=3500 P=0.02
K=4500 P=0.045
9
После запуска рекламного вируса кривая накопленных отзывов пользователей становится круче
(коэффициент р): то есть, можно предсказать более интенсивную коммуникацию пользователей
по поводу интернет - магазина в следующем месяце. Пост – эффект рекламного вируса
положительный.

10. Пост-эффект. Урон репутации
0
500
1000
1500
2000
2500
3000
3500
4000
41150.00 41200.00 41250.00 41300.00 41350.00 41400.00
Сентябрь Октябрь Ноябрь Декабрь Январь Февраль Март Апрель 2013
Количество упоминаний
K=2500 P=0.005
K=5500 P=0.005
10
Несмотря на черный пиар интернет магазина, кривая накопленных отзывов практически не
изменилась. Пост-эффект отсутствует.

11. Кейс 2. Губернатор
Предсказание эффекта от следующего всплеска в момент его старта:
0
500
1000
1500
2000
2500
3000
25/02/2013 07/03/2013 17/03/2013 27/03/2013 06/04/2013 16/04/2013 26/04/2013 06/05/2013 16/05/2013
Статья 2
Количество упоминаний
K=1000 P=0.5
K=2600 P=0.5
11
Навальный о губернаторе Х в марте и апреле написал 2 критических поста.
На начальном этапе следующего всплеска стало возможным предсказать предел количества
упоминаний (К) и общую динамику отзывов пользователей (р) на основе первого вброса.
Статья 1

12. Выводы
Стандартные метрики – охват и вовлеченность не дают полного
представления эффекта от информационных вбросов. В кейсе 2-х
интернет магазинов эти два параметра оказались примерно
равными, однако последующий реальный эффект в социальных
медиа заметно отличался.
Моделирование пост-эффекта на основе ретроспективных данных
делает возможным:
1. Реальную оценку дальнейшего отношения пользователей к
бренду или персоне
2. Прогнозы реакции пользователей на будущие схожие события
12

13. Спасибо за внимание)
13