SML-исследования: как превратить шум соцсетей в рабочие идеи для бизнеса

Соцсети, форумы и геосервисы — это гигантская база инсайтов и отзывов о вашем продукте. Проблема лишь в том, чтобы обработать этот поток информации, а затем превратить его в рабочие решения для бизнеса. Как с этими задачами справляются SML-исследования, рассказывает Валентина Сергеева, руководитель отдела маркетинговых исследований маркетплейса цветов и подарков Flowwow.

Что такое SML-исследования

SML (Social Media Listening) — это анализ комментариев пользователей в соцсетях, форумах и на сайтах с отзывами. Проводя такое исследование, компания слушает, как и в каком контексте упоминается ее бренд, оценивает мнение аудитории и с учетом этой информации разрабатывает маркетинговые кампании. SML фиксирует живые, неподдельные мнения, которые показывают реальную ситуацию на рынке. Это позволяет обнаружить скрытые боли аудитории и неочевидные инсайты о применении продукта, а также выявить новых конкурентов.

Мы используем этот тип исследований больше года. Сначала заказали его в профильном агентстве, а затем, убедившись, что данные действительно полезны в работе, развернули отдельное направление в собственном отделе аналитики.

Основные этапы SML-исследования:

Составляем ТЗ. В нем обязательно описывают период выгрузки данных и вопросы, на которые должно ответить SML. Готовясь к ежегодной весенней акции Flowwow, «Пиономании», мы узнавали, что пользователи говорят о пионах, почему выбирают именно их и знают ли о нашем проекте.

В ТЗ указываются и обязательные форматы отчета, которые нужно получить. Как правило, это:

• данные, отфильтрованные по тональности упоминаний;
• выборка наиболее интересных цитат;
• фотографии в комментариях;
• описание ситуаций в диалогах;
• усредненный портрет пользователей;
• облако повторяющихся слов.

Формируем поисковые запросы. Важно не просто ввести ключевые слова, а грамотно их комбинировать и выписать минус-слова. Например, если хотим узнать, как продается клубника в шоколаде к 8 Марта, указываем в запросах название праздника. Если задать слишком абстрактные темы, на выходе получится нерелевантная выборка. Временные рамки нужно выставлять в зависимости от задачи. Для сезонных товаров берем пиковые периоды продаж, для постоянных — год, чтобы отследить, как меняются паттерны поведения пользователей.

Отобранные поисковые запросы мы анализируем в сервисе Brand Analytics, а далее ждем, когда система выдаст результат.

Фильтруем данные. Это самый трудоемкий этап работы, потому что убирать всю лишнюю информацию приходится вручную. Специалист удаляет дубли, нерелевантные сообщения и явный спам. Важно, чтобы фильтрацией занимался человек, который понимает специфику продукта и может отсеять комментарии, не относящиеся к теме.

Анализируем информацию. Мы смотрим не только на количество упоминаний, но и на их тональность, выявляем повторяющиеся темы и необычные сценарии использования.

Составляем отчет. Важно не просто констатировать факты, а выявить конкретные идеи для улучшения продукта или коммуникации с пользователями. Исследуя пионы, мы определили, что многие игнорируют эту категорию товаров из-за высокой цены. Чтобы отработать это возражение, мы предложили коллегам сделать на сайте и в приложении подборку более доступных по цене сортов пионов. Этим мы могли бы показать, что красивые цветы — это не всегда дорого. А комментарии о том, что пионы — это мечта, натолкнули на идею создать в этой тематике рекламные баннеры.

Скорость проведения исследования зависит от объема упоминаний: где-то их может быть 300, а где-то 1000. Работу может выполнить и один специалист. Он предварительно создает пробную выборку, чтобы оценить масштаб работы, которая может занять от двух недель до месяца.

Как мы используем результаты SML

Создаем креативные концепции. Бывают случаи, когда на основе данных SML рождаются целые слоганы. Особенно яркие выражения в комментариях мы выносим в отдельный лист, который может стать основой для креатива. В исследовании о клубнике в шоколаде мы собрали несколько интересных сообщений от пользователей:

• Благодаря этому приложению теперь я трачу ползарплаты на клубнику в шоколаде. Спасибо, конечно, но не от всего сердца.
• Очень зашли букеты из клубники в шоколаде: стоит один раз попробовать, потом сложно с этого слезть.
• Клубника в шоколаде — must have. Моя женщина постоянно ее просит. Один раз купил, и она прям влюбилась.

Они стали основой для рекламной кампании в интернете с посылом «Попробовать и влюбиться».

Анализируем конкурентов. Из обсуждений можно вычислить и то, как на самом деле аудитория взаимодействует с другими брендами. Благодаря одному из таких SML-исследований мы изменили список конкурентов, которых постоянно анализировали в работе. Оказалось, что один из интернет-магазинов, который регулярно обходил нас по объему трафика в релевантных запросах, на самом деле прямым конкурентом не был. Нас отличал паттерн поведения покупателей. Из обсуждений мы узнали, что у предполагаемого конкурента пользователи чаще заказывают замороженные десерты, а к нам обращались за свежими тортами в подарочной упаковке.

Работаем с репутацией. Мы настроили регулярный мониторинг упоминаний, а также собираем жалобы и позитивные комментарии и передаем информацию службе поддержки. Преимущество в том, что при помощи SML можно анализировать не только текст, но и фото и видеоконтент, собирая в базу данных обзоры товаров.

Как SML экономит ресурсы бизнеса и комбинируется с опросами

Главное преимущество SML — это возможность получать ценные инсайты без серьезных финансовых затрат. В отличие от традиционных исследований, где нужно разрабатывать анкеты, рекрутировать респондентов и обрабатывать результаты, SML работает с уже существующими данными. Конечно, инструмент не заменяет все виды исследований, но помогает на этапах, когда нужно быстро проверить гипотезу. Вместо того чтобы затевать масштабный опрос, можно посмотреть, действительно ли эта тема важна, и далее принимать решение.

Исследуя комментарии в рамках анализа рынка кондитерских изделий, мы смогли определить основного получателя десертов. Большая часть пользователей говорили, что дарят их детям. На втором месте в рейтинге оказались муж/жена, а на третьем — друзья.

При этом SML хорошо комбинируется с опросами. Если мы находим инсайты, но сомневаемся в них, на помощь приходят количественные исследования. Они помогают отследить частоту запроса и убедиться, что это действительно существующая боль.

В чем сложности использования исследования

Несмотря на все преимущества SML, оно не подойдет для изучения слишком узкой темы или сбора информации о бренде, который недавно вышел на рынок. Вы не наберете достаточно сообщений, чтобы сделать корректные выводы.

Другая проблема — фальшивые отзывы и партизанский маркетинг. Есть шанс, что компании могут писать отзывы на заказ, и тогда выводы в отчете окажутся необъективными. Особенно часто это встречается в нишах с высокой конкуренцией, где бренды активно используют черные методы продвижения.

Еще один ограничивающий фактор — невозможность сегментировать аудиторию. В соцсетях почти нет соцдема данных: лишь в 10% случаях специалист может сделать срез по полу, возрасту и географии пользователей.

Как ИИ помогает ускорить работу с SML

ИИ помогает ускорять обработку сообщений, которые мы получаем в рамках исследований. Система может посчитать частоту упоминаний определенных слов, определить тональность сообщений или распределить цитаты по заданным темам. Это базовая текстовая аналитика, которая ускоряет процесс обработки данных. Для оптимизации процесса мы консультируемся с экспертами по настройке ИИ-промптов и используем систему тегов в Brand Analytics. Они помогают фильтровать упоминания только наших пользователей или разделять обсуждения по разным тематикам: поводы дарения, эмоции, ассоциации и воспоминания, которые навевает категория товаров.

Хоть ИИ и берет на себя рутинную часть обработки текстов, окончательные выводы все равно делает специалист. Это особенно важно, когда нужно понять контекст и нюансы живых обсуждений.