Как и зачем мы сделали три дашборда по LinkedIn

Скажу без лишней скромности — мне есть что рассказать про аналитику и про свою работу. Опытом и кейсами я и моя команда делимся в социальных сетях и в том числе — на LinkedIn, который активно ведем с 2023 года. У нас там три аккаунта: мой личный профиль, страницы Valiotti Analytics и кипрского дата-коммьюнити.

Соцсети ­— это инструмент, эффективность которого надо контролировать:

• следить за приростом подписчиков,
• выявлять тренды, популярные посты и рубрики,
• держать руку на пульсе, чтобы быстро отреагировать, если упадут вовлеченность или охваты.

Это можно делать вручную, но это будет долго и неэффективно, и чем больше становится соцсетей, тем больше времени это отнимает. Да и в конце концов, аналитики мы или нет? Зачем делать руками то, что можно автоматизировать?

Так мы решили создать дашборд.

Наш подход

Делали для себя, но по тому же алгоритму, что для клиентов.

1. Собрали команду из BI-специалиста и дата-инженеров. Подобные дашборды часто создаются силами одного человека, но у нас была возможность выделить нескольких сотрудников, чтобы ускорить работу.

2. Они познакомились с доступными данными, API LinkedIn и статистикой, которую предоставляет сайт. Не надо недооценивать этот этап — перед первым интервью с заказчиком разобраться, с чем предстоит иметь дело. Это поможет сразу понять, какие требования из его ТЗ выполнимы.

3. Затем BI-специалист провел серию интервью с главными пользователями — со мной и с лидом отдела контента. На этом этапе он выясняет контекст использования дашборда — об этом ниже.

4. Работали итеративно: интервью — первый макет дашборда — согласование и внесение правок — следующая версия — и так до создания финального, рабочего варианта.

Что отличает хороший дашборд от плохого?

При создании дашборда главное — понять контекст использования.

• Кто будет пользоваться дашбордом?
• Для каких целей он нужен?
• Какие метрики и зачем пользователь будет отслеживать?
• Как часто пользователь будет обращаться к дашборду?
• Будет ли он использовать дашборд только для своих рабочих задач или собирается показывать его на конференциях?
• Какие нужны показатели, фильтры, периоды и гранулярность?

Важно уметь говорить с заказчиком на его языке и погружаться в его проблемы и задачи. Только так можно создать рабочий и полезный инструмент, а не просто красивый, но неудобный и перегруженный дашборд.

Отличный фреймворк для создания дашбордов создал Роман Бунин — Dashboard Canvas. Он описал алгоритм работы, подготовил примеры вопросов для интервью с заказчиком и шаблоны.

Инжиниринг: два решения для одного проекта

Стек проекта:

• Python,
• Airflow (оркестратор процессов),
• AWS (облако, где это все развернуто),
• PostgreSQL (база данных),
• Tableau (BI-инструмент),
• Selenium (надо было установить драйвер для парсинга, мы использовали Firefox; скрипты писали на Python),
• Fivetran

Из наших аккаунтов два корпоративные, и один личный. В зависимости от типа страниц LinkedIn по-разному «делится» аналитикой.

Данные из корпоративных аккаунтов Valiotti Analytics и Cyprus Data Community мы собираем с помощью Fivetran.

Это инструмент для автоматической выгрузки данных в базу из разных источников. А еще — наши партнеры, с которыми мы давно работаем над разными проектами для наших клиентов. Так что мы и не сомневались, что будем использовать для своего дашборда.

Чтобы настроить передачу данных, Необходимо было просто подключить Fivetran к аккаунту и базе данных. Дальше он автоматически вытягивает данные из соцсети, преобразует и передает базе.

С моим личным аккаунтом все оказалось сложнее. LinkedIn неохотно делится данными по таким страницам.

1. Подключить к нему Fivetran нельзя — это вариант только для корпоративных страниц.

2. Сервис, специально созданный для сбора информации с личных аккаунтов на LinkedIn, inlytics.io через какое-то время начал требовать заполнить капчу. Для нас была важна полная автоматизация процесса, поэтому такой вариант нам категорически не подходил.

3. Токен к официальному API LinkedIn не дал — их перестали раздавать из-за повышенного спроса.

В итоге пришлось ограничиться тем, что LinkedIn выдает сам — Excel-файл с данными по приросту подписчиков, демографии и взаимодействиям, а также топ-50 самых популярных постов.

— Выгрузку Excel-файлов автоматизировали через связку Airflow + Selenium.
— В Notion ведется таблица с постами — в ней указывается заголовок, тема и ссылка на публикацию.
— Данные выгружаются с помощью Airflow и объединяются их со статистикой из LinkedIn. Чтобы сметчить данные используются ссылки — они в обеих таблицах одинаковые.

Вот такой дашборд получился в итоге.

Оба подхода позволяют видеть отслеживать тренды, вовлеченность, прирост подписчиков. Изначально хотели также собирать данные о числе посетителей, количестве личных сообщений, а еще подглядывать за конкурентами, но LinkedIn такой возможности не дает.

Визуализация в Tableau

Ну вот, контекст использования выяснили, данные собрали, макеты согласовали… пора наконец-то делать дашборд!

Мы выбрали Tableau, во-первых, за богатый функционал. Его возможностей хватит, чтобы воплотить практически любые идеи в жизнь.

Для дашборда для другого нашего проекта мы даже сделали календарь! Это наше изобретение — в Tableau такой функции нет.

Во-вторых, в Tableau приятные решения для визуализации. Даже без специальных знаний о дизайне и датавизе в нем можно собрать визуально приятный, читабельный дашборд.

Ну а у нас-то знания есть. А еще — свой стайлгайд, по которому мы оформляем все свои дашборды. Можете убедиться, взглянув на скрины выше: дашборды в корпоративных цветах не только выглядят хорошо, но и получаются очень наглядными — а значит, функцию свою выполняют.

Выводы

Со стороны может показаться, что задача тривиальная — всего-то визуализировать данные по нескольким аккаунтам в соцсетях. Но она подкинула немало челленджей и несколько раз заставила хорошо задуматься над поиском решения.

В итоге пользу получили все — у меня теперь есть отличный инструмент для мониторинга за соцсетями, а у всей команды — ценный опыт, который можно применить в работе над другими проектами.

Что на практике дают эти дашборды?

1. Анализ аудитории. Дашборд собирает данные, откуда меня читают мои подписчики, в каких компаниях и на каких должностях работают. Это позволяет строить гипотезы, какие темы и форматы будут наиболее интересны.

2. Регулярная проверка основных показателей аккаунта: роста аудитории, вовлеченности подписчиков, охватов с детальной статистикой по каждому посту. Если я вижу спад или рост какого-то из них, можно отследить, когда он произошел, и корректировать контент-стратегию. Например, поэкспериментировать с подачей или темами.

3. Выделение трендовых тем. Провожу долгосрочный анализ по 10 темам постов и выясняю, про что аудитории интереснее читать — нейросети, аналитику и данные или же больше про бизнес и предпринимательство. Затем список тем сужается до 5 самых популярных, на которых я концентрируюсь в дальнейшем. Уже успел сделать вывод, что моей аудитории интереснее всего читать про лайфхаки из анализа данных, личные истории и бизнес-кейсы.

4. AB-тест визуального оформления — экспериментирую с оформлением постов и смотрю на реакцию.

Как вам такой проект? Стали бы делать дашборд для сбора данных из соцсетей или вам хватает их встроенной аналитики? Пишите в комментариях!