Анализ социальных сетей: что на самом деле скрывает лента

Честно говоря, анализ социальных сетей в понимании многих заказчиков выглядит как скриншот графика охвата плюс пара красивых процентов в конце письма. Я работал с такими отчётами семь лет подряд и до сих пор вижу, как компания принимает решение о бюджете по строчке «лайков стало больше». Между тем лента ничего не скрывает, она просто говорит на языке, который никто не переводит. И первый шаг к переводу — перестать верить отдельным цифрам.

Когда я прихожу в новый проект, первые дни уходят не на настройку сервисов, а на чтение. Читаю комментарии под собственными постами бренда, споры на профильных площадках, цитаты без упоминания названия. Потом открываю таблицу. Такой порядок не всегда нравится клиенту — он ждёт графики, а получает вопросы, — но именно живое чтение показывает, о чём компанию обсуждают на самом деле, а не о чём она думает, что обсуждают.

Что мы вообще считаем, когда смотрим на соцсети

Когда цифры всё-таки открываются, я держу в голове четыре группы показателей. Первая — вовлечённость, но не абсолютная, а доля от охвата, иначе популярный аккаунт всегда выглядит успешным. Вторая — доля пользовательского контента против брендового: если люди сами что-то публикуют, значит, есть повод. Третья — тональность, причём не «плюс/минус», а реальные сюжеты недовольства, разложенные по причинам. Четвёртая — скорость: сколько времени проходит между публикацией и первой волной ответов.

Отдельно стоит смотреть на повторяющиеся формулировки. Если пять человек за неделю написали про «долгую доставку» почти одними словами, это уже системный сигнал, а не случайное совпадение. Именно такие фразы я собираю в отдельный список и передаю в продуктовую команду, потому что коммуникация здесь ничего не исправит.

Заметьте, ни одна строка этой таблицы сама по себе не отвечает на вопрос «успех это или провал». Показатели работают только парами. Охват без вовлечённости означает, что контент доставлен, но никому не интересен. Вовлечённость без прироста подписчиков означает, что радуются свои. Я лично трижды терял клиента, объясняя именно эту простую вещь, поэтому теперь показываю пары чисел сразу, а не по одному.

Где чаще всего ломается методика

Самая коварная часть работы — не сбор данных, а их интерпретация. Вот что я вижу регулярно.

• Считают всё подряд, включая ботов и рекламные аккаунты, а потом удивляются разрыву с продажами.
• Сравнивают месяц с месяцем, хотя сезонность в тематике клиента бывает жёстче любой динамики.
• Смешивают органический и платный трафик в одном графике и делают выводы о контенте там, где решала реклама.
• Трактуют рост негатива как провал, хотя чаще это просто следствие повышенного внимания к бренду.
• Забывают про фоновый шум: спам, конкурентные комментарии, случайные совпадения по слову.

Отдельно скажу про автоматизацию. Парсеры и нейросети отлично справляются с разметкой, но они не знают контекста компании. У меня был случай: система честно насчитала сорок процентов негатива, и это были шутки фанатов бренда, которые алгоритм читал всерьёз. Полчаса живого чтения заменили бы три дня «углублённого анализа».

Второй по частоте проблемой оказывается отсутствие базы. Без реперной точки любое сравнение превращается в сопоставление с воздухом. Теперь я веду простой журнал: раз в месяц фиксирую пять чисел и пять наблюдений словами. Через полгода этот журнал стоит дороже любого дашборда, потому что показывает не колебания, а направление.

Как выглядит отчёт, который читают

Я отказался от многостраничных презентаций пару лет назад и не жалею. Теперь отчёт занимает одну страницу: сверху три числа с сравнением к прошлому периоду, в середине три-четыре вывода словами, внизу список действий с владельцами. Если руководителю нужно больше деталей, он спрашивает, и в этот момент начинается предметный разговор. Если не спрашивает, значит, основная мысль дошла.

Одно правило я держу неизменным: каждая цифра в отчёте сопровождается объяснением, почему она такая. Не ссылкой на методику, а человеческой фразой — «выросло из-за рекламной вспышки», «упало, потому что в прошлом месяце был праздник». Без таких пояснений числа начинают жить своей жизнью, и через месяц их вспоминают впопыхах, вырывая из контекста.

Поэтому мой рабочий принцип выглядит скучно. Сначала человек читает, потом машина считает, потом снова человек проверяет выборку. Да, это медленнее, чем выгрузить API в таблицу. Зато потом не приходится объяснять совету директоров, почему выводы расходятся с реальностью. Данные из соцсетей не врут, врут ожидания от них — и как раз анализ нужен, чтобы эти ожидания проверить.