15 milioane de postări arată de ce followerii nu prezic engagementul

Potrivit fișei publicării, Pedro Victor de Sousa Lima și Olga Goussevskaia au publicat la 5 octombrie 2026 un preprint despre engagementul pe Instagram, bazat pe peste 15 milioane de postări de la peste 700.000 de conturi asociate conținutului sponsorizat. Concluzia pentru creatorii și brandurile care planifică o colaborare este că mărimea audienței nu descrie singură reacția la o postare: textul, forma, momentul publicării și tipul contului conțin informații utile pentru predicție.

În analiza integrală, modelul general obține un R² de 0,40 pentru aprecieri și de 0,49 pentru comentarii, fără să folosească numărul de urmăritori drept variabilă de predicție; modelele dedicate conturilor de evenimente și de opere creative ajung la 0,74 pentru aprecieri. Aceste scoruri descriu cât din variația observată în date poate explica modelul, nu probabilitatea ca o anumită campanie să reușească. Studiul nu compară direct rezultatul cu al unui model care ar folosi numai numărul de urmăritori, așa că nu măsoară cât de slabă ar fi o asemenea predicție.

Ce reprezintă postările din cercetare

Setul de lucru provine din CrowdTangle, instrumentul prin care puteau fi urmărite postări publice de pe Instagram. Colectarea a început cu hashtaguri folosite pentru dezvăluirea sponsorizării și a fost extinsă cu istoricul unor conturi identificate în acea selecție. Prin urmare, colecția include și postări ale conturilor asociate colaborărilor plătite care nu sunt, ele însele, neapărat sponsorizate. Această distincție contează când rezultatele sunt raportate la o viitoare reclamă, nu la activitatea obișnuită a contului.

Metoda lasă în afara selecției unele colaborări marcate doar prin eticheta nativă de parteneriat plătit sau prin menționarea unui brand. Retragerea CrowdTangle limitează și perioada din care provin datele. Rezultatele descriu tiparele din colecția observată, iar comportamentul postărilor publicate după închiderea accesului la instrument nu a fost testat aici.

Cercetarea tratează separat aprecierile, comentariile și rata interacțiunilor raportată la audiența contului. Numărul de urmăritori intră în calculul acestei rate și în împărțirea creatorilor pe segmente, chiar dacă este exclus dintre caracteristicile folosite de model pentru a prezice rezultatul. Distincția dintre măsuri este esențială: multe aprecieri în valoare absolută și o rată mare a interacțiunilor răspund la întrebări diferite despre aceeași postare.

De unde vine semnalul de predicție

Cel mai puternic semnal analizat vine din sensul descrierii și al hashtagurilor. Modelul folosește și lungimea descrierii, numărul de hashtaguri și mențiuni, limba, categoria contului și momentul publicării. O clasificare largă a temei postării adaugă puțin după ce nuanțele textului au fost deja incluse. În această cercetare, „conținut” înseamnă în principal informație extrasă din text; imaginile postărilor nu au fost analizate ca intrări ale modelului.

O asociere statistică între aceste caracteristici și interacțiuni nu arată ce s-ar întâmpla dacă un creator ar schimba doar descrierea unei postări. Alegerea cuvintelor poate reflecta produsul promovat, publicul sau stilul contului, iar acești factori se pot suprapune. Studiul identifică informație disponibilă înainte de publicare care ajută la estimarea reacțiilor din setul observat; nu stabilește un efect cauzal al unui hashtag, al unei mențiuni sau al orei alese.

De ce contează tipul contului

O singură medie pentru toate profilurile ascunde diferențe între conturile de persoane, organizații, produse, locuri, evenimente și opere creative. În cercetare, modelele antrenate pentru anumite categorii specializate obțin scoruri de predicție mai mari în propriile segmente decât modelul general obține pe ansamblul postărilor. Pentru conturile personale, câștigul este mult mai mic. Scorurile provin însă din grupuri cu distribuții diferite ale reacțiilor; ele nu reprezintă un experiment în care fiecare model este evaluat pe exact aceleași postări.

Dimensiunea audienței ajută la definirea unor comparații și în interiorul categoriei de persoane. Reacțiile conturilor din segmentul intermediar sunt mai ușor de anticipat din caracteristicile postării decât cele ale conturilor cu audiențe foarte mari. Asta descrie precizia predicției în fiecare grup, nu spune că un creator dintr-un segment va obține automat mai mult engagement decât unul din alt segment.

Etichetele pentru tipul contului au fost atribuite automat din nume și identificatori. Un profil care îmbină identitatea unei persoane cu aceea a unui brand poate fi greu de încadrat fără eroare. De aceea, avantajul observat pentru unele categorii depinde și de cât de bine reflectă clasificarea automată conturile reale din fiecare grup.

Ce înseamnă rezultatul pentru o colaborare locală

Înaintea unei campanii sunt cunoscute sau pot fi stabilite categoria contului, intervalul de audiență, descrierea și hashtagurile propuse, mențiunile și momentul publicării. Acestea sunt variabilele pe care cercetarea le leagă de predicția interacțiunilor. Pentru un brand care compară creatori, rezultatul susține evaluarea unor profiluri și postări asemănătoare, cu o măsură clară a rezultatului urmărit, în locul unei ierarhii construite numai din numărul de followeri.

Precizia raportată are o limită pentru o colaborare nouă: datele de antrenare și de testare au fost împărțite la nivel de postare. Astfel, postări ale aceluiași cont au putut apărea în ambele grupuri, iar scorurile pot fi mai optimiste decât o predicție pentru un creator pe care modelul nu l-a întâlnit. Această limită privește tocmai situația în care un brand caută un partener nou, nu doar estimează următoarea postare a unui cont deja prezent în date.

Preprintul nu prezintă o validare separată pentru România sau Republica Moldova. Pentru campaniile locale, variabilele identificate oferă o bază mai precisă de comparație, dar diferența dintre estimare și reacția efectivă rămâne în bugetul și rezultatele fiecărei colaborări. Datele proprii ale unei campanii sunt cele care pot arăta ulterior cât de bine s-au potrivit aceste tipare publicului vizat.

Citește și:

• IA poate crea mai multe joburi decât elimină, dar 11 milioane trebuie să se mute
• DeepL sau Google Translate pentru română: testul arată 90% vs 82%
• LangGraph sau CrewAI: 107 sarcini arată prețul controlului