Так уж вышло, что уже четвертый год я работаю SMM-специалистом и занимаюсь конверсионным маркетингом. Признаюсь вам: ненавижу общаться с людьми, в особенности с теми, которые меня не понимают. Но ирония жизни заключается в том, что приходится большую часть времени общаться с клиентами, которые не понимают, что именно я делаю. И примерно на десятой-двенадцатой встрече, когда очередной заказчик просил меня дать точный прогноз и гарантию конверсий из канала социальных сетей еще до того, как я узнаю название проекта, я задумался о том, что не встречал на рынке ни одного аналога, который бы мог просчитать подобный прогноз на основании специфики моего канала.

И разработав формулу прогнозной аналитики, я бы убил двух зайцев: давал гарантии клиенту и сократил процедуру коммуникации до минимума.

Разумеется, я понимал, что могу использовать примерные данные из рекламного кабинета, танцевать с бубном вокруг декомпозиции или же разбирать таблицы BI-аналитики от SEO-оптимизаторов или PPC-специалистов, однако это как-то не вязалось со всеми тонкостями социальных сетей. Но тут мне повезло встретиться, наверное, с одним из лучших аналитиков СНГ-рынка Антоном Липским. Он помог собрать и реализовать формулу прогнозной аналитики на основании тех задач, которые ставили передо мной мои реальные и потенциальные заказчики.

Поэтому давайте поговорим о том, какие метрики мы можем прогнозировать, а какие – нет, в чем специфика и фундаментальное отличие нашей формулы от всего того, что было на рынке, и о том, как ведет себя прогнозная аналитика на практике.

Какие показатели мы можем прогнозировать?

  • Абсолютно все метрики, которые можно оцифровать (можем подсчитать коэффициент конверсии и число продаж из Instagram – отлично, значит мы сможем сделать прогноз этих показателей).

  • Данные, основанные на исторических показателях (у нас есть данные предыдущих рекламных кампаний, а значит есть и статистика, остальное – дело формулы и закономерностей).

  • Гомогенные показатели (если вы работаете с однородными показателями – то мы можем работать и с ними).

Какие показатели мы не можем прогнозировать?

  • Субъективные и ситуативные критерии эффективности (увы и ах, такие метрики как «креативность» или «хорошо и плохо» спрогнозировать мы не сможем, потому что их, как минимум, сложно оцифровать, а как максимум – оценить объективно).

  • Данные, которые не имеют закономерности (работая с рандомным набором информации, мы не сможем выявить статистику тех или иных показателей).

  • Показатели вне контекста времени (и если наши данные вырваны из контекста времени, ситуации, региона и аудитории – тоже ничего не выйдет).

Определившись с тем, какие данные можем или не можем брать в работу, мы приступили к созданию самой структуры формулы, которую постараемся разобрать.

Формула состоит из 4-х крупных блоков

Первый блок – это вкладка «Base», в нее мы вносим все исторические показатели по предыдущим рекламным кампаниям, которые у нас есть. Затем формула будет анализировать определенные закономерности, сужая крайние точки и делая статистический прогноз.

В этом случае важно понимать, что кампании должны иметь одну и ту же цель, быть однородными и близкими по условиям и результативности, чтобы формула не сошла с ума, когда вы сначала продаете носки за 1 000 USD, а потом iPhone последней модели за 0,99 USD.

Также важно учитывать, что чем больше мы внесем вводных данных, тем точнее будут наши результаты. Вводим все необходимые для нас данные в формулу и переходим на второй этап работы с ней.

Вкладка Forecast – это именно тот параметр, который нас интересует больше всего.

Фактический прогноз, который даст вам и вашему клиенту понимание, какие результаты мы получим при худшем, лучшем и оптимальном исходе. Мы можем отталкиваться от необходимого числа транзакций, понимая примерно, какие охваты и бюджеты нам нужны, и от бюджета, сразу показывая клиенту, какие он получит результаты в рамках своего бюджета.

Помимо всей этой красоты, формула рассчитывает как общие данные, которые будут браться из всех параметров вкладки Base, так и узкие, в рамках 40%-ного диапазона показателей бюджета.

Таким образом, уже на стадии переговоров мы можем показать нашему заказчику, что он получит за свой бюджет и сколько бюджета ему необходимо вложить для заветных 100 500 продаж в минуту из Instagram.

Но на этом интересное не заканчивается, ведь у нас есть еще две вкладки.

Третья – это пункт формулы Analyze, где проводится краткий анализ рекламных кампаний по количественным и качественным показателям, а также указываются относительные и абсолютные отклонения от общей базы вводных.

И в дополнение ко всему на этой вкладке мы можем посмотреть потенциальную причину наших отклонений: от неграмотной настройки аудитории до технической стороны вопроса.

И на десерт у нас остается вкладка Comments, куда нам необходимо вносить данные о положительных и отрицательных моментах в работе кампании. Например, отработала хорошо, потому что были хорошие креативы, или отработала плохо, потому что поставили ограничение региона.

И после этого мы можем понимать в предыдущей вкладке, что не так или, напротив, очень так в наших кампаниях.

Небольшой кейс о практическом применении нашей формулы

Тестировали новый алгоритм на одном из моих самых долгоиграющих проектов украинской сетевой закусочной FreshLine. На основании предыдущих 10 рекламных кампаний мы сделали прогноз и получили следующие фактические результаты:

Данные

Охват

CPA

CPM

CPR

ROI

Число конверсий

Прогноз (max / узкие данные)

458 700

$1,41

$0,82

$0,83

2722,34 %

4314

Факт

370 650

$0,051

$0,37

3$0,53

1827,27 %

4240

Несмотря на незначительный разброс данных и отклонение от максимального результата, мы получили данные, которые достаточно близки к прогнозу. Более точные данные мы могли бы получить при условии увеличенного числа вводных данных, например. Тем не менее мы опробовали формулу в полевых условиях и можем уверенно сказать, что она отработала в пользу клиента и специалистов, все остались довольны.

Подводя итог, можно сказать, что у формулы есть свои плюсы и минусы:

Достоинства формулы

Недостатки

  • Многофункциональность и гибкость формулы;

  • в отличие от декомпозиции, не просто считает данные, а делает прогнозный анализ;

  • адаптируется под инструменты и функционал SMM, а не каких-то других каналов;

  • индивидуальна и адаптивна под различные проекты/регионы/механики.

  • Необходимость в исторических и гомогенных данных;

  • формула может не отрабатывать при фундаментальных качественных изменениях условий кампании;

  • для точного прогноза необходимо множество вводных данных, существуют показатели, которые мы не можем прогнозировать.

Применение этой формулы доказывает, что прогнозная аналитика в SMM – это реальность, и уже сейчас мы можем давать прогнозы и гарантии для наших клиентов. Формула прогнозной аналитики универсальна и может быть адаптирована под различные бизнес-задачи. Ну и конечно, важно помнить, что фактические результаты могут отличаться от прогнозных по объективным и субъективным причинам, так как мы всегда работаем с тремя сторонами проекта: специалистом, заказчиком и аудиторией, и неизвестно, как та или иная переменная повлияет на результаты проекта.

А если у вас есть какие-либо вопросы по функционалу формулы и внедрению прогнозной аналитики в ваш проект – пишите в комментариях, и мы постараемся вместе разобраться в вашей задаче.

От редакции. Не пропустите другие статьи Никиты на нашем блоге:
Кейс: как сделать ROI 1960 % в SMM без сайта и CRM-системы
Кейс: 600+ продаж в SMM за 2 недели при бюджете в $100
Как отследить KPI и результативность в SMM
Почему SMM в Украине нет