«Google Analytics» для вашей фан-страницы или группы в Facebook или ВКонтакте

Последнее время появляется много исследований, демонстрирующих низкую степень вовлеченности фанов во взаимодействие на фан-странице, плохой уровень возврата на страницу и разрыв между желаниями клиентов и действиями компаний. Некоторые исследования показывают, что «лайк» — это всего лишь одно малое действие, за которым не скрывается каких-либо обещаний или обязательств пользователя снова и снова возвращаться на фан-страницу. А ведь этот вопрос наверняка мучает каждого коммьюнити-менеджера, стремящегося привлекать и удерживать новых фанов как можно эффективнее. Так есть ли жизнь после лайка?

Эффективная и выгодная реклама с сервисом от МегаФона

Широкий выбор рекламных каналов, более 100 параметров по интересам, подробная аналитика и другие возможности уже ждут в Личном кабинете. А еще кешбэк 100% за запуск рекламы в первый месяц и еще 10% — каждый месяц.

Узнать больше >>

Реклама. ПАО «МегаФон». ИНН 7812014560. ОГРН 1027809169585. ERID LjN8K1P7y.

Жизнь после лайка

Чтобы ответить на этот вопрос, нам нужен инструмент, аналогичный веб-аналитике сайтов. Без сомнения многим из вас приходила в голову идея о том, что было бы очень неплохо иметь что-то похожее на Google Analytics для Facebook или ВКонтакте, чтобы проводить более глубокую аналитику активности фанов в сообществах. Совсем недавно мы показали, как можно проанализировать сообщество в целом, используя методы сетевого анализа. А сегодня мы покажем, как проанализировать эффективность удержания фанов в сообществе. По сути, мы представим аналог аналитических опций из раздела «Новые и вернувшиеся» из стандартных отчетов внутри Google Analytics.

Надо признаться, что функционал анализа фан-аудитории внутри Facebook или ВКонтакте достаточно беден, чтобы дать нам возможность хоть как-то детально оценить уровень удержания фанов. Единственным приближением к понимаю эффективности удержания является показатель частоты посещений уникальных пользователей. Однако, этот график не отражает распределение уникальных посещений во времени и не демонстрирует, как меняется объем новых и вернувшихся фанов от месяца к месяцу (или по дням, кварталам и годам). Т.е. мы не видим, как ведут себя уникальные фаны в динамике.

А что же содержит стандартный набор отчетов Google Analytics по этим вопросам? Перечислим основные:

1. Новые и вернувшиеся — общая динамика посещений и их распределение по новым и вернушимся посетителям.
2. Периодичность и время с последнего возвращения — распределение посетителей по частоте посещений за выбранный период времени (по сути это отражение присутствия различных сегментов посетителей по накопленной частоте посещений за выбранный период времени).
3. Активность пользователей — распределение посетителей по времени, проведенному на сайте.

Надо заметить, что в той же Яндекс.Метрике кроме времени с последнего возвращения есть и время с первого визита, и периодичность визитов. В любом случае у «нашего гугла» аналитика удержания аудитории на сайте выглядит поинтереснее. Итак, что же имеется у нас, чтобы анализировать удержание фанов?

Анализ удержания фанов: 8 месяцев из жизни одной фан-страницы в Вконтакте

Для демонстрации аналитических возможностей мы приведем данные реального сообщества крупного бренда потребительской электроники, собранные при помощи Системы Ниппель. Конфиденциальность не позволяет нам разглашать владельца бренда, но для понимания ценности аналитики нам этого и не нужно. Итак, сегодня в нашем распоряжении 3 диаграммы. Обратите внимание, что наши данные не охватывают всего периода существования фан-страницы, поэтому обозначения «новые» и «вернувшиеся» фаны касается только этого периода времени (с мая по декабрь 2011 года).

На первой диаграмме мы видим распределение активных фанов по месяцам.

Нет сомнения, что после лета фаны-аудитория в целом более активна — нам уже довелось выяснить это ранее на примере другого бренда в статье об анализе активности фанов для оптимизации контент-менеджмента (см. комментарии под статьей, в частности, отличный вопрос Александра Блохина и мой ответ). Однако, опираясь только на эти данные, мы не узнаем, что именно дало такой ощутимый всплеск активности фанов в сентябре и октябре, как и не узнаем, принадлежит ли эта активность новым или старым, вернувшимся фанам, и в каких пропорциях.

Чтобы ответить на эти ключевые вопросы, вторая диаграмма уже дает нам чуть более детальную картинку о природе этого всплеска.

Из диаграммы становится очевидно, что осенний всплеск — это заслуга новых фанов, поскольку доля тех, кто возвращался 3 и более раз за это время на страницу сообщества, достаточно мала. На самом деле это было понятно и на основе стабильного уровня активности посещений за май-август. Однако вполне можно представить себе случай другого сообщества или периода времени, когда активность не так сильно зависит от сезонности или рекламной активности бренда. Тогда было бы далеко не столь очевидно, какому сегменту фанов (новым или возвращающимся) принадлежат эти всплески или ровная динамика посещаемости.

Итак, для полноты картинки нам не хватает только детальных данных по распределению новых и возвращающихся фанов — и это мы видим на третьей диаграмме.

Становится ясно, что новые фаны не просто «ответственны» за всплеск активности в сообществе, но и то, что уровень возврата этих фанов достаточно невысокий (в последующие 3 месяца после всплеска). Мы можем привести еще одну диаграмму этого же распределения, но уже в %-ном соотношении, чтобы доли этих сегментов по месяцам были представлены более наглядно.

Зачем все это?

Прежде всего, мы увидели, как можно достаточно детально анализировать активность фанов по возвратам на страницу для понимания эффективности наших действий. В заключение мы более детально перечислим основные сферы применения этой аналитики:

1. Анализ эффективности рекламных кампаний по привлечению и удержанию фанов.

Зная базовый постоянный объем возвращающейся аудитории за период, предшествующий рекламной кампании, и динамику естественного прироста сообщества, мы можем точно выделить сегмент новых активных фанов, привлеченных через эту кампанию. И анализировать их дальнейшее поведение, понимая степень удержания фанов в сообществе. Кроме того, можно сравнивать различные кампании между собой и понимать, какая реклама более эффективна в долгосрочном периоде. По сути, это аналог post-campaign анализа для фан-страниц.

2. Анализ эффективности акций и конкурсов по глубине вовлечения (уровню активности фанов).

В данном случае мы не только понимаем, насколько акция/конкурс лучше влияют на удержание фанов (на частоту дальнейших возвратов), но и на уровень их активности за каждый последующий период времени (день, неделю, месяц и т.д.). Например, Конкурс Х дает на 30% более активную фан-аудиторию, чем Конкурс У. Кроме того, уровень этой активности затухает медленнее. Это хороший пример Engagement Analytics для акций/конкурсов и других механик привлечения/удержания пользователей-фанов.

3. Идентификация лояльного ядра фан-аудитории (регулярно возвращающихся фанов).

Для работы с наиболее лояльным сегментом фан-аудитории нужно знать не столько самых активных в суммарном выражении, сколько активных на регулярной основе. Ведь фан, очень активный 1-2 месяца из 8 предыдущих месяцев — это нечто совсем иное, чем фан, умеренно активный на протяжении всех 8 месяцев. Хотя их суммарная активность может быть одинаковой. Наша аналитика дает более детальный взгляд на лояльных фанов, позволяя заботиться о тех, кто действительно заслуживает этого. И адресно привлекать их в поддержку ваших активностей в сообществе как надежных союзников. Технология позволяет получить поименный список фанов с различным уровнем активности за любой период времени.

На сегодня все. Будем рады ответить на ваши вопросы, замечания, и, конечно же, на запросы по анализу вашей фан-страницы или группы в Facebook или ВКонтакте (мы поддерживаем оба «формата»). Спасибо за ваши лайки и shares!

P.S. Спасибо Алексею Цверову за данные.

Источник: smm3.org