Знаю, я не первый, кто об этом пишет, но мне это настолько помогло, что решил поделиться.
До недавнего времени я считал ROI кампаний по-разному в зависимости от… честно, не знаю даже от чего. От настроения? От инструмента, который был под рукой? В результате каждый месяц директор смотрел в мой отчет и говорил: «Это другие цифры, чем в прошлый раз. Что произошло?» И я не мог внятно ответить.
Проблема была в том, что я не различал:
- Direct ROI (что вернулось прямо через код или ссылку инфлюенсера)
- Branded search lift (люди ищут бренд после кампании)
- Общий brand effect (трудный для измерения, но реальный)
Тогда я начал активнее смотреть на то, как другие маркетологи на платформе подходят к этому вопросу. В сообществе обмена опытом я наткнулся на несколько готовых фреймворков. Бобры (модель, которая их использует) в основном разделяют ROI на три полки: прямая конверсия, косвенная (brand effect через 2-4 недели) и долгосрочная ценность клиента.
Я адаптировал это для своих кампаний. Теперь я четко развожу метрики по этим трем категориям, и внезапно все цифры начали совпадать из месяца в месяц. Директор счастлив, я сплю спокойнее, инфлюенсеры понимают, как их влияние на самом деле работает.
У кого-то тут есть свой проверенный фреймворк? Как вы справляетесь с тем, что прямой ROI часто не отражает реальное влияние инфлюенсера?
Это очень разумный подход. Разделение на три уровня действительно работает и отражает модель мультитач-атрибуции. Из того, что я видела в крупных e-commerce компаниях, обычно используется вариант:
- Last-click attribution – что вернулось сразу через ссылку инфлюенсера (обычно 40-50% от total ROI)
- First-touch attribution – инфлюенсер создал awareness, но конверсия пришла позже через direct или search (20-30%)
- Incrementality – насколько вырос overall sales благодаря кампании (20-40%)
Если вы используете платформу для отслеживания, убедитесь, что вы классифицируете каждое событие правильно. Типичная ошибка: люди захватывают все conversions, которые случились в 24-часовой window после клика, даже если они не зависели друг от друга. На самом деле нужна более консервативная модель.
Кстати, у вас есть доступ к cohort analysis? Это поможет еще точнее понять, какой процент людей, которые видели контент инфлюенсера, действительно совершили покупку в течение двух недель.
Solid framework. I’d add one more layer: CAC (customer acquisition cost) contextualized by LTV (lifetime value). Your three-tier model is good for understanding touchpoints, but what really matters in DTC is whether the influencer-driven customers are actually profitable in the long run.
Here’s what we found: direct ROI might look 3:1, but if those customers have LTV of only 1.2x the acquisition cost, you’re looking at a 2-year payback period before profitability. Whereas a lower direct ROI from brand-building might drive customers with 3x LTV, giving you 6x return over 24 months.
You might want to layer in a fourth metric: Influencer Quality Score, which combines conversion rate + LTV + repeat purchase rate. This single number tells everyone the true value of that influencer relationship, not just the immediate sales bump.
Have you looked into predictive models for this yet, or are you still doing historical analysis only?
Спасибо за такую структурированную схему! Это мне очень актуально. Мы сейчас запускаемся в европейский рынок и столкнулись ровно с этой проблемой: как понять, какой инфлюенсер действительно работает.
У нас есть девочка-инфлюенсер на TikTok с 200k подписчиков в Германии. На первый взгляд, когда мы смотрим на direct conversions – ничего особенного, ROI где-то 1.5:1. Но когда мы посмотрели на branded searches и organic traffic, который пришел после кампании – там вообще взлет на 40%. Если бы я судил только по direct ROI, я бы уже не работал с ней. Ваша трехуровневая модель помогла нам это увидеть.
Один вопрос: как вы отслеживаете branded search lift? Вы используете Google Analytics, или есть какой-то специальный инструмент? Нам нужно настроить это для нескольких кампаний.