Как я превратил закупку у блогеров в математическую модель.

Несколько лет назад ко мне в агентство пришло популярное приложение для обработки фотографий с довольно необычной задачей. Нужно было за один день разместиться у большого количества блогеров и получить большой объём установок приложения, чтобы через канал influence-маркетинга вывести приложение на первое место App Store.

Наверное, многие в том время просто взяли бы кучу крупных блогеров и слили бюджет. Но я пошел более сложным и прогнозируемым путём. На тот момент в нашей базе агентства было около 10000 блогеров, из неё мы предварительно отобрали почти 1000 релевантных аккаунтов и сделали большую рассылку. Несколько сотен блогеров прислали цены и скриншоты статистик из личного кабинета, после чего началась уже не совсем типичная для influence-маркетинга работа.

По каждому блогеру мы собирали и считали:

• средний охват сторис; • конверсию в переходы по ссылкам в сторис; • насколько растёт охват сторис при дополнительном анонсе в посте; • насколько при этом растет конверсия переходов; • стоимость размещения с учетом всех комиссий и расходов; • учитывали поправку на долю пользователей ios.

В итоге для каждого блогера получался прогноз количества целевых переходов пользователей iOS, который мы могли купить за конкретную сумму. Условные 500 тысяч подписчиков сами по себе уже мало что значили, потому что блогер со 100 тысячами подписчиков мог оказаться для нашей задачи выгоднее миллионника с точки зрения цены перехода.

Из нескольких сотен вариантов мы собрали пул почти из 100 блогеров разного размера и тематик и реализовали у них размещения за одни сутки. Через сутки приложение заказчика заняло 1 место в App Store.

Мне этот кейс до сих пор вспоминается и нравится именно подходом. По сути мы тогда превратили блогеров из субъективного медиаканала в оптимизационную модель вида: цена → прогноз целевого трафика → выбор наиболее эффективной комбинации.

И это всё руками, ведь тогда ещё не было повсеместного data-driven в influence маркетинге.