Радио 
Рынок инфлюенс-маркетинга сталкивается с системной проблемой: прогноз охватов может быть завышен или, наоборот, занижен. Чаще всего это происходит из-за вирусных постов — один вирусный пост может исказить средние значения, а блогеры с сопоставимыми показателями в медиаплане могут дать принципиально разный результат по охватам.
В Polyana.ai, брендформанс-платформе для работы с инфлюенсерами на базе AI, пересобрали модель расчета охватов — теперь модель будет учитывать не только охваты, но и коэффициент вариации и индекс стабильности автора.
Ставка на воспроизводимость через фактор стабильности
Ключевым параметром в модели становится фактор стабильности — он отражает, насколько охваты воспроизводимы от поста к посту, и позволяет учитывать вариативность результатов внутри одного аккаунта при построении прогноза.
В основе модели лежит коэффициент вариации, который показывает разброс охватов. На его базе рассчитывается индекс стабильности, влияющий на итоговый прогноз:
- для стабильных авторов используется медианный прогноз (P50);
- при росте разброса прогноз понижается до более консервативных значений (P40, P30, P25, P15).
Таким образом, чем выше вариативность охватов, тем ниже ожидаемое значение в прогнозе.
Учет актуальности и полноты данных
Модель нивелирует влияние единичных вирусных постов. Система автоматически находит аномально высокие значения и исключает их из выборки, после чего пересчитываются показатели стабильности и итоговый прогноз.
Дополнительно в модель встроена оценка активности блогера:
- активный;
- с низкой активностью;
- неактивный;
- недостаточно данных.
Это позволяет учитывать релевантность исторических данных, которые есть на платформе. Если автор давно не публиковался, его прошлые показатели не используются как полноценная база для прогноза.
При недостатке данных используются доступные значения, или система сигнализирует о низкой достоверности прогноза.
Дополнительно система маркирует случаи, когда часть данных скрыта и может влиять на расчет.
Новая модель смещает фокус с максимального возможного результата на ожидаемый:
- снижает расхождение между планом и фактом;
- упрощает корректное сравнение блогеров;
- делает оценку стоимости охвата более точной;
- повышает устойчивость системы к выбросам.
В результате прогноз становится не более оптимистичным, а более применимым в реальной работе.