Analiza efektywności treści na Instagramie z perspektywy konwersji zasięgu na zaangażowanie i nowych obserwujących. Projekt koncentruje się na porównaniu formatów treści, kategorii contentowych oraz wpływu skali zasięgu.
Oczyszczanie i przygotowanie danych w Pythonie, analiza i wizualizacja w Power BI.
Data Analytics Project
Celem analizy było sprawdzenie, które formaty treści na Instagramie najefektywniej konwertują zasięg na zaangażowanie oraz przyrost liczby obserwujących, a nie tylko generują wysoki reach.
Dane
Metodologia
~30 000 postów, 12 miesięcy, dane syntetyczne,
stworzenie miar efektywności (followers / interactions per 1000), agregacja wg media_type, content_category, binning zasięgu,
Kluczowy insight
Avg Followers per 1000 Reach wg media_type
Co pokazuje wykres?
Średnią liczbę nowych obserwujących pozyskanych na 1000 odbiorców zasięgu w podziale na format treści.
Mój wniosek:
Analizując ten wykres zauważyłam, że formaty Video i Photo osiągają najwyższą efektywność w pozyskiwaniu followersów, mimo że nie generują największego zasięgu. Reels, choć popularne i szeroko dystrybuowane przez algorytm, konwertują zasięg na obserwujących najsłabiej.
Dlaczego to ważne biznesowo?
Pokazuje to, że wysoki reach nie zawsze oznacza wysoką wartość, a dobór formatu powinien zależeć od celu kampanii (zasięg vs. wzrost profilu).
Content matters
Followers per 1000 Reach wg content_category
Co pokazuje wykres?
Efektywność pozyskiwania followersów w zależności od kategorii treści.
Mój wniosek:
Różnice między kategoriami są stosunkowo niewielkie. Najlepiej wypadają Lifestyle, Music i Travel, jednak żadna kategoria nie dominuje wyraźnie. Sugeruje to, że sam temat posta ma mniejsze znaczenie niż sposób jego podania.
Dlaczego to ważne biznesowo?
W praktyce oznacza to, że większy potencjał optymalizacji leży w formacie i dystrybucji treści, a nie w samej tematyce.
Avg ER % wg content_category
Co pokazuje wykres?
Średni engagement rate (ER) w podziale na kategorie contentowe.
Mój wniosek:
Zauważyłam, że kategorie takie jak Beauty i Photography osiągają wyższy engagement rate, jednak wysoki ER nie zawsze przekłada się na wzrost liczby followersów. W niektórych przypadkach użytkownicy chętnie reagują, ale nie decydują się na follow.
Dlaczego to ważne biznesowo?
Ten wykres dobrze pokazuje różnicę między zaangażowaniem a realnym efektem biznesowym, co jest istotne przy ocenie skuteczności działań marketingowych.
Followers per 1000 Reach wg content_category i media_type
Co pokazuje tabela?
Połączenie dwóch wymiarów: kategorii treści oraz formatu publikacji.
Mój wniosek:
Analiza tabeli pokazuje, że ten sam format działa inaczej w zależności od kategorii, jednak ogólny trend pozostaje spójny — Video i Photo częściej osiągają wyższą konwersję niż Reels niezależnie od tematu.
Dlaczego to ważne biznesowo?
Ten wykres dobrze pokazuje różnicę między zaangażowaniem a realnym efektem biznesowym, co jest istotne przy ocenie skuteczności działań marketingowych.
Skala vs jakość
Avg Followers per 1000 Reach wg reach (binning) i media_type
Co pokazuje wykres?
Zależność pomiędzy wielkością zasięgu a efektywnością pozyskiwania followersów.
Mój wniosek:
Zauważyłam wyraźny trend spadkowy — im większy zasięg, tym mniejsza liczba followersów pozyskanych na 1000 odbiorców. Przy bardzo dużych zasięgach różnice między formatami niemal się zacierają.
Dlaczego to ważne biznesowo?
To potwierdza, że treści viralowe nie zawsze są najbardziej wartościowe, a mniejszy, lepiej dopasowany zasięg często daje lepsze efekty długoterminowe.
Na podstawie przeprowadzonej analizy wywnioskowałam, że skuteczna strategia contentowa powinna łączyć różne formaty treści w zależności od celu. Reels najlepiej sprawdzają się jako narzędzie zwiększania zasięgu, natomiast Video i Photo są bardziej efektywne w budowaniu bazy obserwujących. Kluczowe znaczenie ma nie tylko skala dotarcia, ale również jakość i intencja odbiorcy.
Wnioski z analizy danych
Reels nie zawsze oznaczają najlepszą jakość ruchu. Choć Reels generują największy zasięg, to w przeliczeniu na 1000 odbiorców pozyskują najmniej nowych obserwujących. Oznacza to, że ten format dobrze sprawdza się do zwiększania widoczności, ale gorzej konwertuje na długoterminowych followersów.
Najlepszą konwersję na followersów zapewniają formaty Video i Photo. Posty w formacie Video oraz Photo, mimo mniejszego zasięgu, osiągają wyższy wskaźnik followers per 1000 reach. Sugeruje to, że użytkownicy konsumujący te formaty są bardziej skłonni do wykonania akcji follow.
Im większy zasięg posta, tym niższa efektywność pozyskiwania followersów. Analiza przedziałów zasięgu pokazuje wyraźny spadek liczby nowych followersów na 1000 reach wraz ze wzrostem zasięgu. Największe różnice między formatami widoczne są przy niskich i średnich zasięgach, natomiast przy bardzo dużym reachu format ma coraz mniejsze znaczenie.
Różnice między kategoriami treści są umiarkowane. Kategorie takie jak Beauty, Photography i Lifestyle osiągają nieco wyższy średni engagement rate, jednak różnice pomiędzy kategoriami nie są na tyle duże, aby sam temat posta był kluczowym czynnikiem sukcesu. Większy wpływ na wyniki ma format publikacji niż sama kategoria contentowa.
Wysoki engagement rate nie zawsze przekłada się na przyrost followersów. W niektórych kategoriach obserwowany jest wysoki poziom zaangażowania przy relatywnie niższym wzroście liczby obserwujących. Pokazuje to, że polubienia i interakcje nie zawsze idą w parze z decyzją o obserwowaniu profilu.
Najlepsze wyniki osiągają posty o mniejszym, ale bardziej jakościowym zasięgu. Dane wskazują, że treści docierające do mniejszej, bardziej dopasowanej grupy odbiorców częściej skutkują realnym wzrostem liczby followersów niż treści masowo dystrybuowane.
Analiza pokazuje, że skuteczna strategia na Instagramie powinna łączyć różne formaty treści. Reels mogą pełnić rolę narzędzia do budowania zasięgu i rozpoznawalności, natomiast Video i Photo lepiej sprawdzają się jako formaty konwertujące odbiorców w obserwujących. Kluczowe znaczenie ma nie tylko skala dotarcia, ale przede wszystkim jakość ruchu i intencja użytkownika.
Ze względu na syntetyczny charakter danych, wyniki należy traktować jako ilustrację trendów, a nie dokładne odzwierciedlenie wyników konkretnego profilu. Analiza nie uwzględnia również jakości treści ani czynników zewnętrznych, takich jak sezonowość czy płatna dystrybucja.
Przygotowanie danych (Python)
Dane wczytałam i przygotowałam do analizy: usunęłam braki i duplikaty,
ujednoliciłam typy danych oraz zweryfikowałam spójność metryk.
Efektem był czysty zbiór gotowy do dalszej analizy i wizualizacji.
