Как я запустил работу с блогерами в стартапе под ключ за 3 дня. Готовое решение без агрегаторов, агентств и посредников

Привет! Я — Саша, и сегодня я расскажу вам о кейсе по запуску направления инфлюенс-маркетинга в Fashion на рынок US. Здесь было все: исследование, парсинг, разметка, AI, no-code, CRM, собранная на коленке, и большое желание выполнить свою задачу во что бы то ни стало.

В результате за короткое время (несколько дней) был выстроен работающий конвейер, генерящий интеграции как на CPA-основе, так и на платной. В конце заметки я расскажу, как получить дополнительные материалы.

В заметке я по шагам пройду по всем этапам и расскажу, что я делал и что использовал. Надеюсь, будет полезно.

Начинаем с задачи. А она простая:

Такое я люблю, поэтому я сразу принялся за дело.

Сначала я провел исследование сервисов-агрегаторов, таких как Modash, Hypeauditor и прочих. В целом все понятно, да и нечего тут рассказывать — фильтруй блогеров, выгружай и работай.

Мне показалось это слишком простым решением, хоть и соблазнительным, и я решил все же оставить такие выгрузки напоследок и самостоятельно посмотреть поглубже.

В первую очередь я решил покопать и зайти со стороны брендов, изучил кто и как продвигается. Для анализа использовал SimilarWeb, Semrush. Исследуя трафик и ссылочную массу, я обнаружил интересную схему работы брендов с инфлюенсерами.

Получалось на выходе примерно следующее:

Я отследил всю схему размещений и обнаружил, что объемы интеграций были колоссальны.

Изучив объем, метрики и вручную пройдя несколько десятков блогеров я окончательно убедился, что нашел именно то, что нужно.

Далее я перешел к этапу сбора данных.

Используя консоль разработчика, Postman, эмулятор мобильного приложения и HHTP Toolkit и Python, я написал скрипт, который помог мне базовую информацию о профилях блогеров из CPA-сеток.

Здесь было много технических деталей, мне бы не хотелось сейчас в них вдаваться. Ранее я уже рассказывал про то, как я добываю данные — в статье описан проверенный лично мной инструментарий. В дальнейшем, возможно, я подготовлю более подробный технический материал по теме изучения трафика сайтов и приложений. Кому интересно, подписывайтесь на мой блог или на канал в телеграм.

После первого этапа осталось 91129 блогеров, по каждому из них была довольно скудная информация: имя и ссылка на инстаграм. Далее я перешел к обогащению данных.

Я написал второй скрипт с использованием библиотеки instagrapi для сбора информации из профилей instagram*. В результате получил ссылки на аватарки, веб-сайты, текст bio, контактные e-mail и телефоны из кнопок профиля.

Кроме того, я собрал стандартные метрики Instagram*, такие как количество подписчиков, постом и так далее.

Следующий этап: c помощью A-parser прошелся по каждому сайту из профиля и собрал почту для связи там, где она была.

К моему изумлению, многие блогеры игнорировали стандартную кнопку contact via email для обратной связи в профиле instagram* и оставляли почту для сотрудничества только на сайте. Так что этот этап был точно проделан не зря.

Таким образом, у меня было три источника добычи e-mail адреса: специальная кнопка в профиле instagram*, текст в bio, вебсайт.

После всех этапов на выходе получилось 67651 блогеров, у которых был живой instagram*.

Я посмотрел, у кого из блогеров с инстаграммом есть хотя бы один e-mail

А вот с телефонами ожидаемо все плохо, чуть больше 3х тысяч блогеров указали телефон для связи.

Тут я вспомнил про сервисы, которые я упоминал в начале статьи и решил посмотреть, сколько стоит получить такую базу там.

К примеру, в том же Modash, чтобы выгрузить 1000 email блогеров нужно отдать от $899. Не знаю, сколько бы стоило выгрузить 43 тысячи.

Далее я поставил перед собой задачу снабдить будущих инфлюенс-маркетологов максимумом полезной информацией для работы с блогерами.

Мой подход простой — лучше дать больше, чем потом жалеть, страдать и собирать информацию заново. Всегда можно удалить лишнее. И это быстрее.

Для разметки базы я использовал библиотеки машинного обучения. Например для извлечения фактов из биографий блогеров, таких как «mom», «fitness», «welness», «beauty» и так далее.

Неплохо извлекалась гео-привязка — страна, штат, город. Тогда еще не было такого хайпа, я использовал облачное решения nlpcloud.

В качестве эксперимента я скармливал аватарки другой нейросетке, чтобы определить пол и возраст блогера.

Чтобы удобно фильтровать по объему подписчиков, я протегировал блогеров следующим образом:

Затем по просьбе коллег я дополнительно разделил блогеров на более крупные или «тиры», основываясь на полученных ранее данных.

Таким образом, у меня была дополнительно размечена база блогеров для работы, помимо всех полученных ранее полей я добавил:

Я вошел во вкус и начил пилить CRM для работы с блогерами. За основу я взял Airtable, так как имел большой опыт использования этого сервиса, и он подходил для организации процесса идеально.

Система должна работать следующим образом:

Теперь окончательно определяемся с остальным стеком решений:

Теперь все это нужно было совместить в работающее решение.

Я использовал no-code решение от Make, чтобы настроить двустороннюю интеграцию Airtable с Lemlist.

Механика работы системы была следующей: специалист по работе с инфлюенсерами выбирал блогеров на основе различных критериев и отправлял их в LemList, нажимая на кнопку.

В Lemlist в нужных кампаниях создавались лиды, и начиналась рассылка. Автоматически.

Далее я настроил передачу данных в обратную сторону

Если происходит какое-либо важное для нас событие, такое как открытие письма или ответ блогера, эта информация нужна в Airtable, в виде обновления его состояния.

Базово — это все по двустороннему обмену между Lemlist и Airtable. Конечно, были еще детали, но их опустим.

После ответа блогера на аутрич-цепочку работа перемещалась на соседнюю вкладку в той же CRM. Там персонализировались условия сотрудничества и проводились переговоры с каждым блогером.

Для каждого блогера автоматически формировалась размеченная UTM-метками ссылка, промокод, который работал в Stripe, а также персональная сокращенная ссылка в домене компании.

Маркетолог вообще не тратил время на подготовку этой информации, а вероятность ошибиться с UTM-метками была сведена к нулю. Таким образом, мы имели автоматизированную систему отслеживания эффективности.

Резюмирую эту заметку:

В целом, это вся информация, которой я могу поделиться публично по этому кейсу. Из цифр могу упомянуть, что мощность аутрича примерно 20 писем на сотрудника в день с постепенным увеличением до 50. Объем базы я упомянул. Сотрудников может быть от одного до бесконечности.

Итоговый результат от интеграций зависит от многих факторов: какой у нас продукт, кому мы отправляем, что мы отправляем, что хотим от блогера, и насколько блогер точно выполнил свою задачу.

У каждого результат будет свой, но мы остались довольны.

Самое главное, что мы полностью контролировали процесс от и до, без привлечения подрядчиков, посредников, что давало нам полную картину.

Хочу отметить, что такая система может быть полезна не только для работы с рассылками по e-mail, но и для тех, кто работает в LinkedIn. Меняется только сервис, а логика остается.

Я продолжаю развивать этот инструмент и готов адаптировать его под ваши задачи. Если этот кейс будет интересен сообществу, я готов поделиться шаблонами и наработками, но мне нужна поддержка в виде репостов этой записи. В любом случае, все обновления и файлы по этой теме будут в телеграм-канале.

* Соцсети Facebook и Instagram признаны экстремистскими и запрещены в России.