CC BY
23Об одном применении метрик юнит-экономики для анализа мер по продвижению контента в социальных сетях
Васильева Елена Викторовна
д.э.н., доцент, руководитель Департамента бизнес-информатики, Финансовый университет при Правительстве Российской Федерации, EVVasileva@fa.ru
Васильев Максим Сергеевич,
студент, Финансовый университет при Правительстве Российской Федерации, 204492@edu.fa.ru
Данная статья демонстрирует применение метрик юнит-экономики в предметной области - задаче эффективного продвижения контента компании/предприятия в социальных сетях. Приводится статистика последних лет по популярности социальных сетей в России. Представлен обзор возможностей, ограничений и рисков, возникающих при активного вовлечения социальных сетей в жизнь общества. В статье предлагается авторская методика оценки эффективности каналов продвижения на основе метрик юнит-экономики. Результаты анализа, проведенного по авторской методике, могут быть использованы при определении стратегии и тактики реализации инициатив по реализации мероприятий в сфере продвижения информации о компании, бренда, продукта или услуги. Обозначены перспективы применения возможностей социальных сетей на основе алгоритмов искусственного интеллекта.
Ключевые слова: математическое моделирование, метод юнит-эко-номики, метрики, искусственный интеллект, маркетинг, социальные сети.
Юнит-экономика (Unit Economics) — метод экономического анализа, который помогает определить прибыльность в расчете на одного юнита. Этот метод показывает, сколько компания зарабатывает, заработает или потеряет в будущем с одного продукта или клиента. Здесь «юнит» — это единица товара или услуги.
Мы сосредоточим наше исследование на применении метрик юнит-экономики в части продвижения контента в социальных сетях в РФ. В контексте нашего исследования под «юнит» понимается канал продаж в социальной сети.
Социальные сети захватывают все большее количество людей. В России с общей численностью населения на начало 2023 г. в 144,7 млн человек пользователи Интернет-сети составляют 127,6 миллиона. Ежедневно до февраля 2022 года в соцсети заходили 66 млн человек, в месяц отправляли сообщения 1,1 млрд. человек.
На начало 2023 года «ВКонтакте» (VK) — лидер по охвату аудитории (рис. 1, 2). Месячная аудитория соцсети VK в конце 2022 г. исчислялась 90% всех пользователей Рунета, а дневная аудитория достигла рекорда в 73 млн. пользователей [1]. Ежемесячная аудитория VK в 2021 г. была равна 23,8 млн. Для сравнения: 2016 г. — около 87 млн, в 2018 г. — 97 млн, в 2020 г. - 28,7 млн. пользователей в месяц [2]. По активности авторов эта соцсеть в 2021 г. была третья после Twitter и Одноклассников.
Рисунок 1. Наиболее часто используемые соцсети в России (% от общего числа пользователей социальных сетей). Источники: [3-6]
Рисунок 2. Кол-во авторов соцсетей в России, млн. чел. (2021—мар. Статья подготовлена по результатам исследований, выполненных 2023 гг.). Источники: [3-6] за счет бюджетных средств по государственному заданию Финуни-верситета.
<
GÛ
0
1 I
Показатели аудитории основных проектов УК в последнем квартале 2022 г. были следующими: соцсеть УК - 80 млн. чел. в месяц (+10% к 2021 г.), «Одноклассники» - 37 млн., Почта 50 млн. (+5% к 2021 г.), Дзен 70 млн., проект УК Музыка дал прирост +34% [6].
Наиболее активна группа авторов в возрасте 25 лет — 34 года [2]. Заметим, что есть всеобщее заблуждение, что в «Одноклассниках» сидят только люди старше 55 лет: 26,6% приходится на возраст 25 лет — 34 года, 20,7% — 35 лет — 44 года, 20,9% — 55 лет и старше (рис. 3). Возраст аудитории Facebook средний — это 84,7% от 25 до 54 лет, а самые молодые пользователи сидят, конечно же, в сети ШТок (12-24 лет), Pinterest (18-24 лет, 70% аудитории соцсети — женщины), УК — 88% всей аудитории до 34 лет. Люди 25-34 предпочитали в 2021 г. УК, ^адгат, УоиТиЬе, ШТок, "Одноклассники", Возрастная группа 35-44 лет и 55+ выбирает "Одноклассники" и Facebook. Стоит отметить, что в исследованиях под аудиторией социальных сетей понимается количество человек, заходивших на сайт хотя бы один раз за месяц.
Рисунок 3. Возраст аудитории популярных социальных сетей в России до 2021 г. Источник: [3]
По данным Brand Analytics [3], в России в 2015—2021 гг. наиболее популярными были Instagram, «ВКонтакте», YouTube, «Одноклассники» и Facebook. Начиная с марта 2022 г., после блокировки Facebook, Twitter, закрытие рекламы и блокировка в Instagram* и Youtube, признания Meta (Facebook, Instagram) экстремистской организацией, российская аудитория Facebook и Instagram перешла в сеть VK и Telegram. Как следствие стало заметно падение активности в Facebook* и Twitter (рис. 4). Лидерами роста по объему контента стали: ВКонтакте - рост на 11%, Telegram - на 6%, ОК - на 3%. В тройке лидеров по росту активных авторов все те же: Telegram - плюс 23%, ВКонтакте - плюс 14%, ОК - плюс 6%. Поскольку пользователи переход, то число активных авторов выросло сильнее, чем объем публикуемого ими контента.
Рисунок 4. Прирост за период 24.02.2022 - 24.03.2022. Источник: [3]
Такой рост аудитории дает толчок к поискам новых инструментов к продвижению идей, проектов, продуктов, услуг через соцсети. В социальных сетях теперь можно собрать комментарии на любую новость / проекте или получить отзывы о любом продукте / услуги быстрее, чем раньше на специализированных форумах. А по тем же комментариям в социальных сетях, блогах и на форумах с помощью CRM-технологий и инструментов аналитики отслеживает упоминания брендов / ключевых слов, узнают отзывы и оценивают тренды общественного мнения. Здесь можно привести пример таких сервисов, как HootSuite, который интегрирован с сетью «ВКонтакте», решение с системой для профессионального мониторинга русскоязычных социальных медиа YouScan, объединенной с CRM-системами компании Terrasoft (Terrasoft CRM и BPMonline CRM). Такие же функции анализа лайков и комментариев предоставляют IQBuzz, Brandspotter, Wobot, Buzzware.
С 2011 года регулярно публикуются исследования Searchmetrics от Google (например, «Периодическая таблица факторов ранжирования»), в которой изучаются социальное поведение пользователей (частота кликов, репостов, лайков), анализируется влияние лайков, репостов (твиттов) и комментариев на поисковое продвижение, поисковые роботы фиксируют время, проведенное на сайте, клики по ссылкам. После составляется рейтинг лучшего контента материала на сайте, призывов к репосту. Согласно новому опросу исследовательского центра Pew Research Center [8] , около двух третей взрослых американцев (68%) говорят, что они, по крайней мере иногда, получают новости в социальных сетях. Это примерно такая же доля, как была отмечена в это время в 2017 г. Хотя многие из них все же скептически относятся к этой информации. Около четырех из десяти американцев (43%) получают новости на Facebook. Следующим наиболее часто используемым сайтом для новостей является YouTube, где новости получают 21%, а затем Twitter — 12%. Меньшая часть американцев (ниже 8%) получают новости из других социальных сетей, таких как Instagram, LinkedIn или Snapchat. По данным Pew [9], в США начиная с 2012 г. наблюдается стабильный рост интереса к Facebook у людей в 50—64 лет, а в 2014 г. был взрывной интерес к Instagram: число молодых людей в возрасте 18—29 лет возросло с 37 до 53%. Возраст также является фактором того, как люди смотрят на роль социальных сетей. Около половины, а точнее 48%, молодых потребителей новостей в социальных сетях в возрасте от 18 до 29 лет говорят, что новости в социальных сетях делают их более информированными. Это подтверждают уже только 37% людей в возрасте от 30 до 49 лет, 28% — от 50 до 64 и 27% от 65 лет и старше.
Методика эффективности продвижения информации портала по различным каналам на основе метрик юнит-экономики и особенности запуска SMM-кампании
Продвижение в социальных сетях или SMM (Social Media Marketing) — комплекс мер по привлечению на сайт компании посетителей из социальных сетей (например, VK). Это позволяет, во-первых, поддерживать с широкой массой пользователей сети Интернет постоянный контакт, когда люди могут получать последние сведения об изменениях или обновлениях на портале в максимально удобной для них форме, не выходя из соцсети VK. А во-вторых, помогает гасить негатив в случае появления отрицательных комментариев.
Продвижение в социальных сетях может быть очень мощным и незаменимым инструментом. Однако, следует внимательно выбирать каналы для конкретной целевой аудитории (ЦА), важно понимать ее интересы и оформлять соответствующие материалы, которые соответствуют ее предпочтениям.
Для запуска кампании в социальных сетях определяется круг целей, которые необходимо достигнуть; определяется целевая аудитория (ЦА) и ее характеристики; создается сообщество; подбирается способ подачи информации (например, пассивные наблюдатели предпочтут спокойный стиль общения и разнообразный контент, участники дискуссий захотят быть вовлечены в обсуждение актуальных тем, а генераторы контента помогут поддерживать жизнеспособность сообщества, если их интересы будут получать отклики); размещается сам контент под запросы Ца.
Чтобы угадать с тематикой, стоит составить список из 10 тем, которые возможно заинтересуют вашу аудиторию. Особенно стоит уделить внимание привлекательности заголовков постов [10].
Юнит-экономика - это также метод экономического моделирования, используемый для определения эффективности и, как правило, цифровой бизнес-модели путем измерения с позиции единицы товара или одного клиента. Автор термина и фреймворка Дэвид Скок [11]. Успешность выбора каналов продвижения может быть определена за счет анализа затрат на привлечение пользователей и получаемым результатом.
Общие затраты всех маркетинговых усилий по привлечению на верхний уровень воронки продаж (самая широкая ее часть) за период могут состоять из нескольких статей расходов на различные каналы продвижения (например, совокупный рекламный бюджет) — баннеры (Adv1), реклама в соцсетях (Adv2) и др., а также на сбор и обработку аналитики (Expenses): AcqCosts = Adv1 + Adv2 + ... + Expenses (1)
Эта метрика может быть получена исходя из принятых в различных рекламных моделях формул расчетов.
Например, недельный бюджет на трафик (привлечение потока посетителей) через баннерную рекламу на сайт рекламодателя, AcqCostswau, составит:
AcqCostswau = CPC * UserAcq, (2)
где CPC — кол-во уникальных переходов с баннера на сайт рекламодателя по клику;
UserAcq — сокращение от англ. User Acquisition — поток привлеченных уникальных пользователей;
Wau — период, равный неделе: анализируемый период: день — DAU, неделя — WAU, месяц — MAU.
Существует три основных рекламных модели в интернете: CPM, CPC и CPA.
CPM (Cost-per-Millenium) — форма оплаты рекламных услуг рассчитывается как цена за 1000 показов:
CPM = CPC * CTR * 1000, (3)
где CTR — кликабельность; СРС — цена за клик.
CPC (Cost-per-Click) — плата за целевое действие — клик:
расходы на рекламу
CPC = -
количество кликов
(4)
CPA (Cost-Per-Action) — оплата за совершенные действия пользователя на рекламной площадке.
В целом анализ результативности продвижения по различным каналам может быть рассчитана в сравнении по формулам, приведенным в табл. 3.4.1. Цель - рост числа посетителей, которые в случае релевантной выборки канала продвижения и точного попадания в заинтересованную целевую аудиторию, позволит обеспечить рост активных пользователей, принявших участие в экспертизе / обсуждении проектов, опубликованных на портале.
В таблице приведена возможность получения дохода портала (ARPPU) для компенсации затрат на продвижение, который может быть обеспечен демонстрацией баннерной рекламой.
CTR (click through rate), % — отношение кликов к показам или кликабельность рекламы. Позволяет определить, сколько людей заинтересовались рекламой и нажали на ссылку, что дает возможность оценить, стоит ли использовать то или иное рекламное сообщение. Нормальным считается показатель CTR больше 1%, при очень хорошей рекламе — от 5%. Для медийной рекламы он составляет обычно около 0,1% и ниже.
CTR медийная реклама = 0,1%;
CTR норм = 1%;
CTR реклама = 5%.
Формула расчета следующая:
CTR = Количество кликов / Количество показов х 100% (5)
где: количество кликов — количество нажатий на рекламное сообщение,
Количество показов — количество предъявляемого рекламного сообщения посетителю веб-сайта.
Конверсия, Conv — это отношение числа активных посетителей сайта, выполнивших какие-либо действия, к общему числу посетителей сайта, выраженное в процентах.
Conv % — конверсия из переходов на портал в действия посетителей:
Conv = Lead : User Acquisition. (6)
Средние значения конверсии — 5—10%.
CPA (Cost Per Acquisition) — стоимость 1 привлеченного — является основной метрикой затрат на входе воронки в пересчете на 1 человека. Формула расчета в общем виде следующая:
CPA = Acquisition Costs/ UserAcq, где:
UserAcq (User Acquisition) — это все привлеченные посетители сайта,
Acquisition Costs - расходы на привлечение.
Понятие «Уникальный посетитель» (Unique Visitor) применяется при отслеживании посещаемости интернет-сайтов. Это особая единица, за которую принят человек, который впервые зашел на сайт за некоторый промежуток времени. Чтобы считаться уникальным, он должен обладать совокупностью неповторимых характеристик. Учитываются такие данные, как: IP-адрес, браузер, поисковик, географическое местонахождение, тип используемого устройства и т.д. Показатель рассчитывается в инструментах веб-аналитики. Из первоначального числа людей, попавших на сайт, только часть остается для того, чтобы выполнить целевое действие - принять участие в дискуссии, оставить комментарий (перейдет в категорию UserAct):
UserAct = UserAcq * Conv. (7)
Важной частью расчетов является вычислении дохода с одного посетителя (ARPU), который позволяет сопоставить затраты на привлечение посетителей портала и доходы от тех уникальных пользователей, которые осуществили переход по рекламного баннеру рекламодателя и обеспечили окупаемость вложенных инвестиций. ARPU может быть определен как делением всего полученного дохода от рекламного бан-нера на число посетителей, так и умножением ARPPU на конверсию портала:
ARPU = Revenue : UserAcq или ARPU = ARPPU * Conv;
(8)
Например, ARPU = ARPPU * (C1 * С2) = 2000 * (5% * 20%) = 20 руб. на одного посетителя сайта. Таким образом, один посетитель приносит 20 руб. дохода (ARPPU). Его привлечение обходится в 10 руб. (СРА).
В традиционных расчетах точки безубыточности (другие названия — точка нулевой прибыли, мертвая точка, точка перелома, точка критического объема продаж) основной акцент делается на оценку компенсации постоянных расходов за счет валовой маржи. Если линия совокупной выручки проходит под
X X
о го А с.
X
го m
о
м о м
CJ
СО CS
0
CS
01
о ш m
X
<
m О X X
линией совокупных затрат, то предприятие терпит убытки, а если над ней, — работает с прибылью. Предел безубыточности находится от прогнозируемых объемов продаж до точки нулевой прибыли, когда валовая маржа покрывает постоянные расходы.
Для управления воронкой в юнит-экономике при определении критического объема продаж используется показатель Contribution Margin — валовая прибыль (прибыль без вычета накладных расходов), маржинальный доход, маржинальная прибыль.
Contribution Margin = UserAcq * (ARPU - CPA) > 0. (9)
Разность между расходом на привлечение и доходом от баннера и расчета на 1 уникального посетителя равен разнице двух метрик: ARPU - СрА (или в примере: 20 - 10 = 10). Условие устойчивости модели соблюдено: ARPU > CPA.
В целом представленный подход к оценке маркетинговых усилий по реализации задач портал можно представить в виде балансовой модели, что показано в табл. 1 [11]. Авторы считают, что такой способ облегчит проведение анализа и позволит сравнить различные сценарии продвижения информации в среде Интернет и не только.
Таблица 1
Расчет результатов продвижения по двум каналам по метрикам
Показатели Метрики Формулы Канал 1 Канал 2
1 2 3 4 5
Кол-во посетителей, UserAcq
человек
Конверсия Conv
Всего активных поль- UserAct UserAct = UserAcq *
зователей, принявших Conv
участие в экспертизе / обсуждении
Расходы:
Затраты на привлече- Adv
ние / рекламу за пе-
риод
Прочие затраты, Expenses
например, на выгрузку
и анализ данных
Затраты всех маркетинговых усилий, Acquisition Costs AcqCosts AcqCosts= Adv + Expenses
На 1 активного пользователя
Стоимость привлече- CPS CPS = CPA/ Conv
ния 1 активного поль-
зователя
Средний доход от 1 ак- ARPPU ARPPU = APC *
тивного пользователя (Av.Price - COGS)
за период
На 1 привлеченного
Стоимость привлечения посетителя, Cost Per Acquisition CPA CPA = AcqCosts / UserAcq
Рекламная. «Баннеры, аренда места» Источник дохода: рекламодатели (партнеры) платят за баннеры. Размещение баннеров на 1 месяц. Показатели роста (KPI): Fix per month : CpM (Cost Per Millenium - стоимость
за 1OOO показов)
Сторона № 1 — b2c (физлица)
Visitors, трафик, шт. Visitors, трафик, шт. ImpMAU
показы в переходы показы в пе- CTR, %
реходы
Клики, переходы уни- Visitors Visitors = ImpMAU *
кальных посетителей CTR
по рекламному бан-неру
Стоимость за клик (cost per click), руб. CPC
Стоимость за 1000 показов (Cost Per Millenium), рус CPM CPM = CPC * CTR * 1OOO
Доход всего - Затраты рекламодателей на рекламу, руб. ARPPU ARPPU = CPC * Visitors
Доход на привлеченного посетителя — Average Revenue Per User ARPU APRU = ARPPU * Conv
Итоговые показатели:
Валовый доход (без учета прочих издержек) Contribution Margin Contribution Margin = UserAcq * (ARPU -CPA)
Revenue Revenue = ARPPU * UserAct
Постоянные затраты Fixed.Costs
Прибыль Profit Profit = Revenue -AcqCosts -Fixed.Costs
Условие сходимости: Contribution Margin > 0
Условие сходимости: ARPU (Life Time) — 3 * CPA > 0
Условие сходимости: ARPPU — CPS > 0
Таким образом, портал может быть активной площадкой для обсуждения разрабатываемых проектов документов, инструментом обратной связи от широкого числа граждан. Кроме того, портал может окупить часть затрат на продвижение, став рекламной площадкой для других порталов, к примеру, по партнерской программе на порталах органов государственной власти и местного самоуправления, банковских и медицинских порталах (ЕМИАС).
Перспективы развития: общий контент из миллионов социальных профилей
Специальный софт (англ. - программное обеспечение) сможет отбирать и объединять данные из миллионов социальных профилей, формируя из них последовательную историю. По такому принципу будет работать Project Lightening от Twitter, о котором мы уже упоминали выше, рассказывая о трендах в SMM. В приложении будет внедрена новая кнопка. Нажатие на нее перенаправляет на страницу со сводкой событий, о которых на тот момент пишут в Twitter. После выбора конкретной новости пользователю показываются специально отобранные твиты, видеоролики и изображения, подробно освещающие событие.
Статьи от роботизированного алгоритма. Робот или автор: чья реклама эффективней? Согласно некоторым данным, вы наверняка читали хоть одну статью, которая была создана по роботизированному алгоритму, и даже не заметили этого. В современности специальные алгоритмы могут создавать статьи на простые темы (спорт, погода). Ожидается, что в скором времени они начнут выполнять более сложные задачи. Раньше созданием ежедневного контента в основном занимались фрилансеры. С 2016 года их уже заменяют автоматические алгоритмы, популярность которых достигает пика.
Креативный робот AI-CD ß Japan создал рекламный ролик, который оценивала публика наряду с рекламой, разработанной человеком. Проект искусственного интеллекта отстал по
числу проголосовавших голосов всего на 8% (исследования агентства McCann) [12].
Краудсорсинг. Рост аудитории соцсетей дает толчок к поискам новых инструментов к продвижению идей, продуктов и услуг через соцсети. Комментарии превращаются в голос толпы и массовую экспертизу [13], поэтому потенциал крауд-сорсинга и ноосорсинга уже сейчас активно используются для решения социальных проблем, организации волонтерских движений или благотворительных мероприятий [14, 15]. Потенциал краудсорсинга активно используют в том числе государственные службы для решения социальных проблем, организации волонтерских движений или благотворительных мероприятий. Так, в 2014 г. проект «Весь Толстой в один клик» (tolstoy.ru/projects/tolstoy-in-one-click), стартовав 18 июня, за 2 недели с помощью волонтеров из 49 стран собрал электронную (не сканированную, а полноценную) версию 90 томов Льва Толстого, в том числе редких произведений, дневников и писем! Известны краудсорсинговые проекты Правительства Москвы. Например, проект «Московская поликлиника» на площадке crowd.mos.ru в 2015 г. собирал предложения москвичей о возможностях улучшения работы поликлиник — запись к врачам, качество обслуживания и др. В октябре 2016 г. проводился краудсорсинг-проект «Активное долголетие», что позволило найти более 1000 идей, как сделать жизнь людей старшего поколения интереснее. Среди них: танцевальные и спортивные кружки и школы, клубы здорового питания, пешие экскурсионные прогулки по городу, прослушивание книг и многое другое. Интернет-портал Департамента труда и социальной защиты населения организовал платформы для помощи детям, оставшимся без родителей. Проект 2015 г. Московского планетария «Моя библиотека» собирал идеи по улучшению и востребованности городских библиотек. Как развитие, должны быть и площадки ноосорсинга, для возможности привлечь к разработке производственной задачи общий разум профессионального социального сетевого сообщества [13]. Особенно это важно для академической мобильности студентов и преподавателей вузов, взаимодействия между университетами мира.
Сетевое общество сегодня все более четко оформляется. Оно управляется своими, отличными от офлайн-мира законами. Однако уже сейчас стоит задуматься о том, какие угрозы таит отсутствие общепринятых и утвержденных на межгосударственном уровне соглашений о поведении человека в сети, определить степень искажения сетевой информации. Возможно, кибератаки на самом деле имеют иную форму, отличную от той, с которой мы привыкли их ассоциировать? И вполне вероятно, скоро мы увидим и новые возможности, которые откроет сеть сообществ.
Заключение.
Нами исследован анализ продвижения контента в социальных сетях.
В качестве базового подхода представлен метод экономического моделирования, используемый для определения эффективности, именуемый Юнит-экономика (Unit Economics). Предложена авторская методика определения эффективных каналов распространения информации на основе юнит-эконо-мики. В методике учтена возможность монетизации портала компании/предприятия в социальных сетях, что позволит финансировать его продвижение.
Сформулированы предложения по использованию методики при организации работы таких порталов:
- применять алгоритмы искусственного интеллекта, в т.ч. при анализе результатов обсуждения постов, выбора негативных откликов и пр.;
- относиться с большей внимательностью к эффектам и рискам краудсорсинга и ноосорсинга. Особенно важно учитывать угрозы манипулирования большими коллективами людей через социальные сети.
Литература
1. Ключевая SMM статистика на 2018 год. URL : https://rusability.ru/internet-marketing/smm/klyuchevaya-smm-statistika-na-2018-god/ (дата обращения 22.06.2023).
2. Социальные сети в России: цифры и тренды, осень 2021. URL : https://br-analytics.ru/blog/social-media-russia-2021/ (дата обращения 22.06.2023).
3. Brand Analytics (Аналитика информационного поля бренда). URL: br-analytics.ru (дата обращения 22.06.2023).
4. Бегин А. Статистика Контакте в 2023 году. URL: https://inclient.ru/VK-stats/ (дата обращения 22.06.2023).
5. Which of the following user-generated/free resources do you use to watch video content? URL: https://www.statista.com/statistics/1111017/russia-reach-of-free-top-websites-for-watching-videos/?locale=en (дата обращения 22.06.2023).
6. Главные итоги VK за 2022 год. URL: https://corp.VKcdn.ru/media/files/rus_press_release_12m_2022.p df (дата обращения 22.06.2023).
7. Социальные сети в России: Цифры и тренды, осень 2018. / Brand Analytics (Аналитика информационного поля бренда). URL : br-analytics.ru (дата обращения 22.06.2023).
8. Отчет за 2018 г. исследовательского центра Pew. URL : http://www.journalism.org/2018/09/10/news-use-across-social-media-platforms-2018/ (дата обращения 22.06.2023).
9. Отчеты исследовательского центра Pew. URL : www.pewinternet.org (дата обращения 22.06.2023).
10. Халилов Д. Маркетинг в социальных сетях. М. : Манн, Иванов и Фербер, 2013. 376 с.
11. Васильева Е.В., Зобнина М.Р. Маркетинг и управление продуктом на цифровых рынках. Генерация и проверка идей через CustDev, дизайн-мышление и расчеты юнит-экономики. — Москва : Кнорус, 2020. — 724 с.
12. Робот vs человек: чья реклама эффективней? URL : https://www.sostav.ru/publication/robot-ne-smog-pobedit-cheloveka-pri-sozdanii-reklamnyj-kampanii-23655.html (дата обращения 22.06.2023).
13. Эпоха коллективного разума: о роли информации в обществе и о коммуникационной природе человека / Б.Б. Славин. 2-е изд. - М.: Либроком, 2014. - 316 с.
14. Li F.-H., Li C.-T., Shan M.-K. Labeled influence maximization in social networks for target marketing // In 2011 IEEE third international conference on privacy, security, risk and trust and 2011 IEEE third international conference on social computing. - 2011. - Pp. 560-563. IEEE.
15. Shi Q., Wang C., Chen J., Feng Y., Chen C. (2019). Location driven influence maximization: Online spread via offline deployment // KnowledgeBased Systems. - 2019. -N166. - Pp. 30-41.
On some applications of the unit economy meterics for the analysis of measures
to promote content in social networks Vasilyeva E.I., Vasilyev M.S.
Financial University under the Government of the Russian Federation
JEL classification: C01, C02, C1, C4, C5, C6, C8_
This article demonstrates the application of unit economics metrics in the subject area
- the task of effectively promoting company/enterprise content in social networks. The statistics of recent years on the popularity of social networks in Russia is given. An overview of the opportunities, limitations and risks arising from the active involvement of social networks in the life of society is presented. The article proposes the author's methodology for evaluating the effectiveness of promotion channels based on unit-economy metrics. The results of the analysis carried out
X X О го А С.
X
го m
о
м о м
CJ
according to the author's methodology can be used to determine the strategy and tactics for implementing initiatives to implement activities in the field of promoting information about a company, brand, product or service. The prospects for using the capabilities of social networks based on artificial intelligence algorithms are outlined.
Keywords: mathematical modeling, unit economics method, metrics, artificial
intelligence, marketing, social networks. References
1. Key SMM statistics for 2018. URL : https://rusability.ru/internet-marketing/smm/klyuchevaya-smm-statistika-na-2018-god / (accessed 22.06.2023).
2. Social networks in Russia: figures and trends, autumn 2021. URL : https://br-
analytics.ru/blog/social-media-russia-2021 / (accessed 22.06.2023).
3. Brand Analytics (Analytics of the brand information field). URL: br-analytics.ru
(accessed 22.06.2023).
4. Begin A. Contact statistics in 2023. URL: https://inclient.ru/VK-stats / (accessed
22.06.2023).
5. Which of the following user-generated/free resources do you use to watch video
content? URL: https://www.statista.com/statistics/1111017/russia-reach-of-free-top-websites-for-watching-videos/?locale=en (accessed 22.06.2023).
6. The main results of VK for 2022. URL: https://corp .VKcdn.ru/media/files/rus_press_release_12m_2022.pdf (accessed 22.06.2023).
7. Social networks in Russia: Figures and trends, autumn 2018. / Brand Analytics
(Analytics of the brand information field). URL : br-analytics.ru (accessed 22.06.2023).
8. Report for 2018 of the Pew Research Center. URL : http://www.journalism.org/2018/09/10/news-use-across-social-media-platforms-2018 / (accessed 22.06.2023).
9. Reports of the Pew Research Center. URL : www.pewinternet.org (accessed
22.06.2023).
10. Khalilov D. Marketing in social networks. M. : Mann, Ivanov and Ferber, 2013. 376
p.
11. Vasilyeva E.V., Zobnina M.R. Marketing and product management in digital markets. Generation and verification of ideas through CustDev, design thinking and unit-economy calculations. — Moscow : Knorus, 2020. — 724 p.
12. Robot vs human: whose advertising is more effective? URL : https://www.sostav.ru/publication/robot-ne-smog-pobedit-cheloveka-pri-sozdanii-reklamnyj-kampanii-23655.html (accessed 22.06.2023).
13. The Era of collective intelligence: on the role of information in society and on the
communicative nature of man / B.B. Slavin. 2nd ed. - Moscow: Librocom, 2014.
- 316 p.
14. Li F.-H., Li C.-T., Shan M.-K. Labeled influence maximization in social networks
for target marketing // In 2011 IEEE third international conference on privacy, security, risk and trust and 2011 IEEE third international conference on social computing. - 2011. - Pp. 560-563. IEEE.
15. Shi Q., Wang C., Chen J., Feng Y., Chen C. (2019). Location driven influence
maximization: Online spread via offline deployment // KnowledgeBased Systems.
- 2019. -N166. - Pp. 30-41.
fO CN O CN
O HI
m
X
<
m o x
X
