هنگامی که برای یک کمپین بازاریابی، همکاری با چندین اینفلوئنسر، مسابقه یا لیست مشخصی از سازندگان محتوا را برنامه‌ریزی می‌کنید، یک سوال مهم تعیین می‌کند که آیا کمپین شما موفق خواهد شد یا خیر: مخاطبان این افراد چقدر با یکدیگر همپوشانی دارند؟ اگر سه اینفلوئنسر را انتخاب کنید که دقیقاً دنبال‌کنندگان یکسانی دارند، در واقع سه بار به یک گروه از افراد هزینه پرداخت کرده‌اید تا پیامتان را ببینند. در مقابل، پیدا کردن سازندگانی با مخاطبان مکمل و کم‌همپوشانی باعث می‌شود دامنه اثرگذاری کمپین شما چند برابر شود. همپوشانی مخاطبان همان معیاری است که وضعیت شما را مشخص می‌کند و می‌توانید آن را از روی داده‌های عمومی فالوورها تخمین بزنید.
در ادامه روش کار و نگاهی واقع‌بینانه به مزایا و محدودیت‌های این روش را بررسی می‌کنیم.
چرا همپوشانی مخاطبان اهمیت زیادی دارد؟
دو سازنده محتوا ممکن است تعداد فالوور کاملاً یکسانی داشته باشند، اما بسته به میزان همپوشانی، ارزش متفاوتی برای شما خلق کنند:
- همپوشانی بالا بین اینفلوئنسرهایی که همزمان استخدام می‌کنید = هدر رفتن بودجه (چون مدام به افراد تکراری دسترسی پیدا می‌کنید)؛ البته این حالت گاهی برای تایید متقابل و اعتباربخشی مناسب است.
- همپوشانی پایین = گسترش واقعی دامنه‌ی مخاطبان؛ هر اینفلوئنسر افراد کاملاً جدیدی را وارد قیف بازاریابی شما می‌کند.
بنابراین، همپوشانی لزوماً در همه جا «خوب» یا «بد» نیست و کاملاً به هدف شما بستگی دارد. برای افزایش ریچ و دسترسی، به همپوشانی پایین نیاز دارید. برای اعتبار و اثبات اجتماعی در یک حوزه بسیار خاص و تخصصی، مقداری همپوشانی مفید است. در هر صورت، به جای حدس و گمان، باید آن را اندازه بگیرید.
تحلیل همپوشانی روی نمونه‌ها، نه کل مخاطبان
یک نکته بسیار مهم وجود دارد که باید از ابتدا به آن اشاره کرد: شما تقریباً هرگز کل لیست فالوورهای یک اینفلوئنسر را استخراج نمی‌کنید. سازندگان بزرگ میلیون‌ها دنبال‌کننده دارند و شما در حال استخراج یک نمونه محدود (چند صفحه اول) هستید. بنابراین، آنچه محاسبه می‌کنید میزان همپوشانی میان دو «نمونه» است، نه رقم دقیق و واقعی کل فالوورها.
با این حال، این روش همچنان بسیار کاربردی است. یک تخمین همپوشانی مبتنی بر نمونه، از نظر روندی کاملاً واقعی است؛ به‌ویژه برای مقایسه‌های نسبی (مثلاً اینکه سازنده «الف» همپوشانی بیشتری با «ب» دارد یا با «ج»). با این وجود، هر کسی که ادعا کند از روی داده‌های عمومی می‌تواند «۳۷ درصد همپوشانی دقیق مخاطبان» را محاسبه کند، در حال اغراق است. آن را محاسبه کنید، برچسب تخمین روی آن بگذارید و به صورت مقایسه‌ای از آن بهره ببرید:
همیشه اندازه نمونه‌ها را در کنار نسبت به دست آمده گزارش دهید تا خودتان (و هر کس دیگری که نتایج را می‌بیند) بدانید چقدر می‌توانید به آن اعتماد کنید.
نحوه استفاده صحیح از داده‌های همپوشانی
بهترین روش استفاده از تخمین‌های همپوشانی، مقایسه آن‌هاست. استخراج نمونه‌هایی با اندازه یکسان برای مجموعه‌ای از اینفلوئنسرهای کاندید و رتبه‌بندی همپوشانی دوطرفه آن‌ها به شما نشان می‌دهد کدام ترکیب‌ها باعث گسترش مخاطبان و کدام‌یک باعث هدررفت بودجه می‌شوند، حتی اگر هیچ عدد واحدی دقیق نباشد. برای یک کمپین سه اینفلوئنسری، این رتبه‌بندی معمولاً برای اتخاذ یک تصمیم مطمئن در خصوص انتخاب و رزرو کافی است. این روش مکمل خوبی برای فرآیند کشف اینفلوئنسرهاست؛ بخش کشف، افراد مناسب را پیدا می‌کند و تحلیل همپوشانی، توالی زمان‌بندی یا ترکیب آن‌ها را مشخص می‌کند.
محدودیت‌های واقعی تحلیل همپوشانی
- این یک تخمین نمونه‌ای است: شما در حال مقایسه نمونه‌های محدود شده فالوورها هستید، نه کل مخاطبان واقعی.
- سازندگان بزرگ‌تر، تخمین ضعیف‌تر: هرچه مخاطب واقعی نسبت به نمونه شما بزرگ‌تر باشد، تخمین همپوشانی با نویز بیشتری همراه خواهد بود.
- حجم بالای لیست فالوورها: استخراج لیست‌های کامل نیازمند مدیریت دقیق است و باید تعداد صفحات را محدود نگه دارید.
- فقط فالوورهای عمومی: دنبال‌کنندگان خصوصی یا مخفی قابل مشاهده نیستند و به همین دلیل این آمار یک تخمین باقی می‌ماند نه سرشماری کامل.
- همپوشانی برابر با کیفیت نیست: دو مخاطب ممکن است همپوشانی کمی داشته باشند اما هر دو کم‌ارزش باشند (مثل ربات‌ها). حتماً همپوشانی را با بررسی اصالت و تعامل مخاطبان ترکیب کنید.
منبع: sociavault