AI-система підбору інфлюенсерів та аналізу їх аудиторії

AI-система матчингу інфлюєнсерів та аналітики аудиторії

Ручний пошук інфлюенсерів дорого і ненадійно. AI-матчинг аналізує не лише тематику блогера, а й якість аудиторії (боти, fake engagement), перетин з цільовою аудиторією бренду та прогнозує ROI кампанії. Платформи типу GRIN, Traackr, Upfluence використовують саме ці підходи.

Аналітика якості аудиторії

import numpy as np
import pandas as pd
from sklearn.ensemble import IsolationForest
from sklearn.cluster import KMeans
import json
from anthropic import Anthropic

class InfluencerAudienceAnalyzer:
    """Анализ качества и состава аудитории инфлюенсера"""

    def compute_authenticity_score(self, account_data: dict) -> dict:
        """
        Скор аутентичности аудитории (0-100).
        Детектирование ботов и искусственного engagement.
        """
        followers = account_data.get('followers_count', 1)
        avg_likes = account_data.get('avg_likes', 0)
        avg_comments = account_data.get('avg_comments', 0)
        avg_views = account_data.get('avg_views', followers)

        # Engagement Rate (ER)
        er = (avg_likes + avg_comments) / followers * 100

        # Follower-to-Following ratio (аномалии = много ботов-подписчиков)
        follow_ratio = account_data.get('followers_count', 1) / max(
            account_data.get('following_count', 1), 1
        )

        # Рост аудитории (резкие скачки = накрутка)
        growth_spike = account_data.get('max_weekly_growth_pct', 0)

        # Views/Follower ratio для видео
        views_ratio = avg_views / followers if followers > 0 else 0

        score = 100.0
        issues = []

        # Слишком низкий ER (нормы: nano 5-10%, micro 3-6%, macro 1-3%, mega 0.5-1.5%)
        size_tier = self._get_tier(followers)
        expected_er_range = {'nano': (5, 10), 'micro': (3, 6), 'macro': (1, 3), 'mega': (0.5, 1.5)}
        expected_range = expected_er_range.get(size_tier, (1, 5))

        if er < expected_range[0] * 0.5:
            score -= 30
            issues.append(f'ER {er:.1f}% значительно ниже нормы {expected_range[0]}% для {size_tier}')
        elif er < expected_range[0]:
            score -= 15

        # Аномально высокий ER (накрутка лайков)
        if er > expected_range[1] * 3:
            score -= 20
            issues.append('Аномально высокий ER — возможна накрутка')

        # Резкий рост
        if growth_spike > 50:
            score -= 25
            issues.append(f'Резкий рост аудитории +{growth_spike:.0f}% за неделю')

        # Низкое соотношение просмотров
        if views_ratio < 0.1 and account_data.get('content_type') == 'video':
            score -= 15
            issues.append('Низкий охват видео-контента')

        return {
            'authenticity_score': max(0, round(score)),
            'engagement_rate': round(er, 2),
            'tier': size_tier,
            'issues': issues,
            'estimated_real_followers': int(followers * max(0, score) / 100)
        }

    def _get_tier(self, followers: int) -> str:
        if followers < 10000:
            return 'nano'
        elif followers < 100000:
            return 'micro'
        elif followers < 1000000:
            return 'macro'
        return 'mega'

    def analyze_audience_demographics(self, follower_sample: pd.DataFrame,
                                       brand_target_audience: dict) -> dict:
        """Пересечение аудитории инфлюенсера с ЦА бренда"""
        overlaps = {}

        # Гендер
        if 'gender' in follower_sample.columns and 'gender' in brand_target_audience:
            brand_gender = brand_target_audience['gender']
            influencer_gender_dist = follower_sample['gender'].value_counts(normalize=True).to_dict()
            overlaps['gender_match'] = influencer_gender_dist.get(brand_gender, 0)

        # Возраст
        if 'age_group' in follower_sample.columns and 'age_groups' in brand_target_audience:
            target_ages = set(brand_target_audience['age_groups'])
            influencer_ages = set(
                follower_sample['age_group'].value_counts(normalize=True)
                .nlargest(3).index.tolist()
            )
            overlaps['age_overlap'] = len(target_ages & influencer_ages) / max(len(target_ages), 1)

        # Геолокация
        if 'country' in follower_sample.columns and 'countries' in brand_target_audience:
            target_countries = set(brand_target_audience['countries'])
            influencer_countries = set(
                follower_sample['country'].value_counts(normalize=True)
                .nlargest(5).index.tolist()
            )
            overlaps['geo_overlap'] = len(target_countries & influencer_countries) / max(len(target_countries), 1)

        # Общий скор аффинности
        overlaps['audience_affinity'] = round(np.mean(list(overlaps.values())) if overlaps else 0.5, 2)

        return overlaps


class InfluencerMatcher:
    """Матчинг инфлюенсеров под кампанию бренда"""

    def __init__(self):
        self.llm = Anthropic()
        self.analyzer = InfluencerAudienceAnalyzer()

    def score_influencer(self, influencer: dict,
                          campaign: dict,
                          follower_sample: pd.DataFrame) -> dict:
        """Комплексный скор инфлюенсера для кампании"""
        # Качество аудитории
        authenticity = self.analyzer.compute_authenticity_score(influencer)

        # Пересечение с ЦА
        audience_match = self.analyzer.analyze_audience_demographics(
            follower_sample, campaign.get('target_audience', {})
        )

        # Тематическое соответствие (категории контента)
        content_categories = set(influencer.get('content_categories', []))
        brand_categories = set(campaign.get('relevant_categories', []))
        category_match = len(content_categories & brand_categories) / max(len(brand_categories), 1)

        # Прогноз CPE (Cost Per Engagement)
        budget_per_influencer = campaign.get('budget', 10000)
        expected_engagements = (
            influencer.get('followers_count', 0) *
            authenticity['engagement_rate'] / 100 *
            authenticity['authenticity_score'] / 100
        )
        cpe = budget_per_influencer / max(expected_engagements, 1)

        # Итоговый скор
        total_score = (
            authenticity['authenticity_score'] / 100 * 0.30 +
            audience_match.get('audience_affinity', 0.5) * 0.35 +
            category_match * 0.25 +
            min(1.0, 10 / max(cpe, 0.1)) * 0.10  # Инвертируем CPE (меньше = лучше)
        )

        return {
            'influencer_id': influencer.get('id'),
            'handle': influencer.get('handle'),
            'tier': authenticity['tier'],
            'total_score': round(total_score, 3),
            'authenticity': authenticity['authenticity_score'],
            'audience_affinity': audience_match.get('audience_affinity', 0),
            'category_match': round(category_match, 2),
            'expected_engagements': int(expected_engagements),
            'estimated_cpe': round(cpe, 2),
            'red_flags': authenticity['issues']
        }

    def generate_campaign_brief(self, influencer: dict,
                                 campaign: dict) -> str:
        """Персональный бриф для инфлюенсера"""
        response = self.llm.messages.create(
            model="claude-3-5-sonnet-20241022",
            max_tokens=300,
            messages=[{
                "role": "user",
                "content": f"""Write a personalized campaign brief for an influencer in Russian.

Influencer: @{influencer.get('handle')}, {influencer.get('tier')} tier, {influencer.get('content_categories', [])} content
Campaign: {campaign.get('name')}, brand: {campaign.get('brand_name')}
Product: {campaign.get('product_description', '')}
Key message: {campaign.get('key_message', '')}
Target audience: {campaign.get('target_audience', {})}

Write a 2-3 paragraph brief that:
1. Explains why this specific influencer was chosen (personalized)
2. Describes the campaign goals and what we want to achieve
3. Gives creative guidelines that fit their style"""
            }]
        )
        return response.content[0].text

AI-матчинг інфлюєнсеров знижує CPE на 25-40% порівняно з ручним відбором за рахунок точного аудиторного перетину. Головний ROI-драйвер - exclusion ботів: 30-60% аудиторії типового macro-інфлюєнсера можуть становити неактивні або фейкові акаунти.