Instagram – Influencersuche und Influencerbegutachtungen

Neulich erlebte ich einige verwirrende Diskussionen rund um die Problematik „Influencermarketing“ via Instagram. Eine ehemalige Kundin aus dem Themenbereich „Lifestyle // Model // Fashion“ rief hier an und berichtete von der folgenden Situation:

Sie bewarb sich mit ihrem Instagram-Account bei einer Agentur – spezialisiert auf „Influencermarketing“ – und wurde mit Hinweis auf „zu wenig Follower“ abgelehnt. Sie berichtete mir, dass in ihrem Bereich man da primär auf die Metrik „Follower“ schaut und dass die entsprechende Zahl natürlich möglichst groß sein muss. Sie berichtete mir auch, dass konkrete Interaktionsvariablen wie „Likes“, „Comments“ oder konkrete Diskussionen rund um diese oder jene Motive völlig egal sind.

Weitere Gespräche mit konkreten Dienstleister_innen aus dem Bereich „Socialmediamarketing“, „Influencermarketing“ oder „Instagram-Marketing“ ergaben, dass man eben diese Metriken nicht erkennen kann, nicht erkennen will oder dass keine Werkzeuge zur Auswertung existieren oder benutzt werden. In diesen kollegialen Diskussionen hatte ich den folgenden Lösungsansatz vorgestellt:

(A) Die Accountanalysen
(1) ID unbekannt?
https://api.instagram.com/v1/users/search?q=’+accountname+’&access_token=’+deintoken

(2) ID recherchiert und bekannt?
– Download des kompletten Feeds
https://api.instagram.com/v1/users/’+account_id+’/media/recent/?access_token=’+deintoken
Hinweise:
– Der Scrapevorgang produziert maximal (!) 20 Ergebnisse.
– Lösung für die Ergebnisbegrenzung: „repeat-until-schleife“ bis „next_url:“ nicht mehr im Code auffindbar ist.

Wichtige und interessante Variablen aus dem Rohdatenfeed JE POST:
(a) tags
– beschreibt die verwendeten Tags
(b) „comments“:count“:
– beschreibt die Anzahl der Kommentare
(c) link:
– beschreibt den Link des Posts, Mediums
(d) „likes“:count“:
– beschreibt die Anzahl der Likes
(e) „filter“: „‚
– beschreibt den verwendeten Filter
(f) created_time
– beschreibt den Zeitstempel, (Wann wurde der Post abgesetzt? // Datum und Uhrzeit)
(g) „id“:“
– beschreibt die IG-interne ID des Posts

Die so erfassten Posts aus den zu beobachtenden Accounts werden nun in eine geeignete Datenbank überführt. Ich benutze für derartige Gelegenheiten immer gern das Format „CSV“ via dem Objekt „Stringgrid“ (Delphi).

(3) Dateninterpretation „Grunddaten“
Bei lückenloser Feederfassung entdeckt man nun die Grunddatenvariablen „Posts“, „Likes“ und „Comments“ und ausgehend hiervon lassen sich erste Interpretationen anstellen:
– Wieviele Beiträge hat denn der Account?
– Wiele Likes hat denn der Account?
– Wieviele Comments hat denn der Account?
Man könnte hieraus das Verhältnis von Likes / Comments zu Posts berechnen und mit Hilfe der Ergebnisse werden nun auch Vergleiche zwischen Accounts möglich.

Natürlich ist die „Grunddaten“-Begutachtung der erste Schritt zu einer wirklich werthaltigen und interessanten Analyse der potentiellen „Influencer“. Wie geht es nun weiter? Nunja:

(4) Tiefenprüfung auf Basis der Rohdaten

(a) Die Hashtags
– Extrahieren der Tags aus den Rohdaten und Umwandlung in eine Liste (ein Tag je Zeile!)
– Auslesen: Taghäufung
– Gegenüberstellung: Tags zu Summe Likes//Comments
(b) Die Hashtaggruppen
– siehe: (a)
Ziel von (a) + (b)
Ziel der Tagprüfung ist die Beantwortung der Fragen:
– Welche Tags „zünden“ am Besten beim anvisierten Account?
– Gibt es ein Ungleichgewicht zwischen Masse-„Follower“ und den interpretierten Variablen?

(5) Interaktionsanalyse auf Basis der Rohdaten
Diese Analyse verlangt die IDs der Posts aus den Rohdaten!
(a) Die Likenden
https://api.instagram.com/v1/media/’+ID+’/likes?access_token=’+deintoken
Hier bietet sich die Erweiterung der Rohdaten an. Ich verwende hierfür eine beigeordnete CSV-Datei zzgl. einem weiteren „Stringgrid“. Der Scrapevorgang wird mit einer simplen Zählschleife durchgeführt und die Ergebnisse liefern die folgenden Daten zu DEN Likenden zurück:
– Accountname
– ID des Accounts
– Fullname
(b) Die Kommentierenden
– siehe (a)

Hat man nun die Datensätze aus (a) und (b) vorliegen, bieten sich weitere Analysen an. Diese können die folgenden Fragen beantworten:
– Wie ist das Verhältnis von Posts => Fans => Likenden // Kommentierenden?
– Wer liked und kommentiert parallel?
– Welcher Account ist besonders aktiv?
Im Abgleich der Datensätze aus (a) und (b) zu den Analysevorgängen bzgl. den Hashtags können folgende Fragen beantwortet werden:
– Welcher Account „mag“ welche Tags?
– Welcher Account zeigt das „mögen“ häufig?

In den meisten Szenarien, die in den Diskussionen auftauchen, benötigt man einen weiteren Recherchepunkt, den man vor der Accountbegutachtung starten muss. Dieser bewegt sich meistens um Themen oder konkreten Locations. Themen, Locations oder Städte lassen sich über zwei Möglichkeiten erfassen:
(1) Tags
https://api.instagram.com/v1/tags/search?client_id=’+deineclientid+’&q=’+tag
(2) Locationssearch
https://api.instagram.com/v1/locations/search?lat=48.858844&lng=2.294351&access_token=’+deintoken
Aus den Ergebnissen der beiden Endpointabfragen lassen die Accountnamen extrahieren und in die Tiefenprüfungsprozedur übertragen.

(B) Die Accountbewertungen
Immer wieder wundere ich mich über die Fananzahlfokussierung bei der Begutachtung von Accounts oder der Suche nach diesen Influencern. Der Grund hierfür ist relativ einfach: man kann über die bekannten, extrem leicht recherchierbaren und erprobten Quellen für wenig Geld hochwertig aussehende Fans einkaufen (ca. 5 EUR / 3000 bis 4000 Fans). Schaut man sich nun die Instagram-API an, findet man nirgends faszinierende Analysefunktionen zu bspw. Herkunft (Land, Stadt etc.) der „Fans“ und da bleibt leider nur die Begutachtung und Bewertung der o.g. Rohdaten.
Ich neige bspw. dazu, Manipulation zu vermuten, wenn:
(a) Ein Ungleichgewicht zwischen Posts, Fans, Likes und Comments sichtbar wird.
Beispiele können sein:
– 1-20 Posts zu >10k Fans
– >8K Fans zu 0 Likes
– >10 Fans zu extrem wenig Likes auf den Posts
– extrem viele Fans, aber keine Interaktionen in Form von Comments
– Comments, aber keine Reaktion seitens der Accountinhaber_in
(b) Inhalt, Qualität der Inhalte
Beispiele können sein:
– extrem schlechte Fotoqualität (Achtung: Subjektivität!)
– Hashtagspamming (#lik4like, #likeme, #likeback)
– Tags ohne Bezug zum Inhalt der Posts
– extreme lange Zeiten zwischen den Posts
– Massenpostings zzgl. Tagspamming

Abschließende Bemerkung.
Persönlich ist mir absolut klar, dass die wenigsten Laien oder Endanwender_innen den o.g. Lösungsweg im Sinne einer Entwicklung eigener Werkzeuge vermutlich umsetzen können und deswegen erhalten unsere Kunden auf Anfrage und nach Gesprächen immer aktuelle Versionen der entsprechenden Softwares. Das ist soweit völlig okay, natürlich und immerhin erwarten diese Zielgruppen die professionelle Beantwortung der IG-bezogenen Fragestellungen und das Lösen der bekannten Probleme.

Mich wundert jedoch, dass trotz klischeehaften Hype, die vielen spezialisierten Dienstleister_innen und enorm reputationsstarken Agenturen, diese Basics immer wieder in den Foren und den szeneinternen Diskussionen abgefragt werden und keinerlei Weiterentwicklung sichtbar ist. Sicherlich ist es nicht in jedem Fall zumutbar das Programmieren zu erlernen, aber das Interpretieren von Zahlen, großen Datensätzen und das Verstehen von romanartigen API-Dokumentationen sowie den Zusammenhängen zwischen den auslesbaren Variablen gehört nun mal zur Branche. Leider berichten uns diverse Rat- und Hilfesuchende immer wieder, dass man wohl mit „Vermutungen“ oder „Gefühl“ abgespeist wird und ich kann an dieser Stelle nur dazu raten, sämtliche Socialmediastrategien auf Basis von belastbaren Zahlen, Daten und Erkenntnisse zu gestalten und das funktioniert am Besten, wenn die kostenfrei abrufbaren API-Endpoints verstanden und benutzt werden.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.