Бренд построен на инфлюенсерах. Их сотни, они в разных странах Восточной Европы, и в какой-то момент команда просто перестала успевать. Каждого амбассадора надо найти, оценить, согласовать, отследить. Пока людей было двадцать — работало. Когда стало двести — CPA пополз вверх, а качество лидов вниз. Классический потолок ручного процесса.
К нам пришли с формулировкой, которую мы слышим часто: «канал вроде работает, но масштабировать его страшно». Расскажу, что мы сделали и почему сработало — без прикрас, потому что часть решений выглядела спорно, пока не показала цифры.
Почему охваты и лайки врут
Стандартная логика подбора инфлюенсера: смотрим на охват, на вовлечённость, на красивую статистику. Проблема в том, что все эти метрики описывают популярность, а не готовность аудитории покупать. Блогер с миллионом подписчиков и лайками может не продать ничего, а нишевый автор с аудиторией в тридцать тысяч — принести стабильный поток заказов.
Мы исходили из простого тезиса: покупает не охват, а совпадение аудитории с продуктом. Значит, оценивать инфлюенсера надо не по тому, сколько людей его видят, а по тому, насколько эти люди похожи на тех, кто у бренда уже покупает.
AI-модель вместо интуиции менеджера
Мы построили модель, которая прогнозирует не охват, а ожидаемый conversion rate конкретной коллаборации. На входе — паттерны аудитории инфлюенсера и профиль реальных покупателей бренда. На выходе — оценка: сколько заказов, скорее всего, принесёт этот автор и по какой цене.
Ключевое слово здесь — паттерны, а не лайки. Модель смотрела на структуру аудитории, тематику, поведение, а не на тщеславные метрики. Менеджер по-прежнему принимал решение, но теперь у него перед глазами был прогноз, а не ощущение «этот вроде норм».
Атрибуция, которой можно доверять
Хорошая модель бесполезна, если вы не знаете, что реально произошло после публикации. С инфлюенсерами это больная тема: человек увидел сторис, а купил через три дня с телефона — и попробуй свяжи одно с другим.
Мы завязали каждую коллаборацию на уникальный промокод, привязанный к серверным событиям. Не просто «скидка 10 по коду BLOGGER», а код, который на уровне сервера соединяется с конкретной сессией и заказом. Это дало честную атрибуцию до уровня сессии — стало видно не только сколько продал инфлюенсер, но и какой была реальная цена привлечения, а не та, что рисует последний клик.
Модель отвечает на вопрос «с кем работать». Атрибуция отвечает на вопрос «сработало ли». Без второго первое — гадание.
Автоматический аллокатор бюджета
Последний кусок — тот, который команда сначала приняла с недоверием. Мы сделали так, чтобы успешные коллаборации масштабировались без ручных согласований. Как только связка показывала нужные цифры, бюджет на неё увеличивался автоматически, по заранее согласованным правилам.
Страх понятен: «а вдруг система разгонит то, что не надо». Поэтому правила были жёсткие, с потолками и стоп-условиями. Зато исчезло главное узкое место — человек, который физически не успевал пересматривать сотни коллабораций каждую неделю. Система делала рутину, менеджеры принимали стратегические решения.
Что из этого переносится на другие бренды
Gymshark — про инфлюенсеров, но логика универсальна. Оценивайте канал по близости к вашему реальному покупателю, а не по тщеславным метрикам. Стройте атрибуцию, которой доверяет финансовый отдел, а не только рекламный кабинет. И автоматизируйте рутину принятия решений, а не сами решения.
Мы собираем такие системы под конкретный бизнес — от AI-модели скоринга до серверной атрибуции. Если ваш канал упёрся в потолок ручного процесса, скорее всего, проблема не в канале, а в том, что решения всё ещё принимаются на глаз.