Каждая вторая статья про «алгоритм Threads 2026» держится на цифрах, которых никто не показывает. Я решила посчитать сама и заодно проверить, переживут ли выводы тест на случайность.
200 аккаунтов русскоязычных маркетологов, 16 724 поста. После чистки осталось 4 848 профессиональных постов от 103 авторов. Метод — нормализация внутри автора плюс перестановочный тест. На четырёх признаках из двенадцати это переворачивает знак эффекта относительно наивного подсчёта.
Результат неприятный: три самых частых приёма у маркетологов работают в минус, а приём с самым сильным плюсом встречается всего в 6% постов.
Дальше — сбор данных, метод с кодом и точными p-value, результаты и раздел про ограничения, которых тут хватает.
Threads принадлежит компании Meta, которая признана в России экстремистской организацией и её деятельность запрещена.
Сбор данных
Выборка. Через поиск Threads по 49 маркетинговым запросам («маркетолог», «таргетолог», «смм», «продвижение», «воронка продаж» и так далее) собрала 2 300 профилей. Добавила авторов, которых площадка сама показывает в топе по маркетинговым темам.
Отсеяла приватные аккаунты, тех, у кого меньше тысячи подписчиков, и мусор вроде городских досок объявлений. Осталось 337 кандидатов, из них взяла верхние 200 по числу подписчиков.
Ещё 31 аккаунт выкинула вручную: раскрученные личные бренды вроде Игоря Манна — на него подписываются потому, что он Манн, механики поста тут ни при чём. Туда же ушли аккаунты с аудиторией, перенесённой из Telegram, кондитерская школа, визажисты и рекламные доски.
Что собрала. Все посты этих 200 аккаунтов с 4 мая по 4 августа 2026 года — 16 724 штуки. Для каждого: текст, дата, лайки, комментарии, репосты, тип медиа, размер карусели.
Просмотры — главная техническая задача. Threads отдаёт статистику только по своим постам, чужие охваты через официальный API недоступны. Обход нашёлся: HTML-страница отдельного поста содержит impression_count прямо в разметке. Работает даже тогда, когда внутренний GraphQL-эндпоинт упирается в rate limit.
Просмотры собрались для 11 760 постов. Остальные удалены или скрыты авторами — их страницы отдают ошибку, проверила вручную.
Чистка. Из 16 724 постов осталось 10 012 своих корневых с просмотрами — без репостов, цитат и ответов в чужих ветках. Дальше главное: маркетологи пишут не только про маркетинг. Переезды, дети, сериалы, рецепты собирают огромные охваты, но к продвижению отношения не имеют, и в общей выборке эти посты-миллионники перекашивают всё. Оставила только профессиональные: 4 848 постов от 103 авторов.
Разметку «профессиональный / бытовой» делала модель по смыслу, а не регулярки: набор ключевых слов тут не работает — пост «сегодня выгорела, ушла с проекта» формально без единого маркетингового термина, но по сути профессиональный.
Цена этой чистки заметна сразу: на всей базе медиана просмотров 383 и максимум 1 482 596, на маркетинговой — медиана 343 и максимум 313 094.
Метод: почему нельзя сравнивать «в лоб»
Наивный подход — взять все посты с приёмом и все посты без него, сравнить медианы. Он врёт, и вот почему.
Просмотры сильно зависят от размера аккаунта, а приёмы распределены по авторам неравномерно. Если приём чаще используют крупные аккаунты, он будет выглядеть волшебным — хотя объясняющая переменная тут аккаунт, а не приём. Классический confounding.
Решение — считать эффект внутри каждого автора, где размер аккаунта фиксирован. У автора беру медиану просмотров постов с приёмом и медиану без приёма, делю одно на другое и получаю его личный коэффициент. Эффект приёма — медиана этих коэффициентов по всем авторам, у кого набралось хотя бы по 5 постов в каждой группе.
эффект = медиана по авторам (медиана с приёмом ÷ медиана без приёма)
Медианы, а не средние, — распределение просмотров тяжелохвостое, один залетевший пост утащит среднее куда угодно. Порог в 5 постов на группу отсекает авторов, у которых коэффициент считается по одному-двум наблюдениям.
def per_account_effect(by_acc, flag_fn, min_each=5): """Эффект внутри каждого аккаунта: медиана с признаком / медиана без.""" ratios = [] for u, rs in by_acc.items(): on = [r["views"] for r in rs if flag_fn(r)] off = [r["views"] for r in rs if not flag_fn(r)] if len(on) >= min_each and len(off) >= min_each: m_on, m_off = med(on), med(off) if m_off: ratios.append((u, m_on / m_off)) return ratios
Коэффициент 1,0 — приём не меняет ничего, 1,26 — плюс 26% к норме автора, 0,60 — минус 40%.
Перестановочный тест
Дальше главный вопрос: не могло ли это получиться само собой. Любые две кучки постов чем-то отличаются — раздели их хоть по чётным и нечётным датам, одна половина всё равно окажется «лучше».
Аналитические критерии тут неудобны: распределение тяжелохвостое, статистика составная (медиана медиан отношений), предпосылки нормальности не выполняются ни в каком виде. Поэтому нулевое распределение я строю эмпирически.
2 000 раз перемешиваю метки признака внутри каждого аккаунта — так сохраняется и структура данных по авторам, и доля постов с приёмом у каждого — и каждый раз считаю ту же статистику. Получается картина того, как на этих данных выглядит чистый шум.
def permutation_test(by_acc, flag_fn, n_iter=2000, min_each=5): """Настоящий эффект vs случайные перестановки меток внутри аккаунтов.""" real = [r for _, r in per_account_effect(by_acc, flag_fn, min_each)] if not real: return None real_med = med(real) fake_meds = [] for _ in range(n_iter): fake = [] for u, rs in by_acc.items(): flags = [flag_fn(r) for r in rs] if sum(flags) < min_each or len(flags) - sum(flags) < min_each: continue random.shuffle(flags) # метки наугад, тексты не трогаем on = [r["views"] for r, f in zip(rs, flags) if f] off = [r["views"] for r, f in zip(rs, flags) if not f] m_on, m_off = med(on), med(off) if m_off: fake.append(m_on / m_off) if fake: fake_meds.append(med(fake)) # доля случайных прогонов, давших эффект не слабее настоящего if real_med < 1: p = sum(1 for f in fake_meds if f <= real_med) / len(fake_meds) else: p = sum(1 for f in fake_meds if f >= real_med) / len(fake_meds) return {"эффект": round(real_med, 3), "p": round(p, 4), "аккаунтов_в_расчёте": len(real)}
p-value здесь — доля случайных прогонов, где результат вышел не хуже настоящего. Тест односторонний по знаку наблюдаемого эффекта. Порог 0,05.
Важно, что именно этот тест проверяет. Нулевая гипотеза — «метки признака распределены внутри автора случайно». Отвергнув её, я получаю право сказать, что связь между признаком и просмотрами в этих данных есть. Права сказать, что признак вызывает изменение просмотров, я не получаю: перестановки ломают связь метки с текстом, но не устраняют то, что метку изначально выбирал сам автор вместе с темой, настроением и временем публикации.
И терминологическое: везде ниже «просмотры» — это показы (impression_count), а не уникальные пользователи. Уникальный охват чужих постов Threads не отдаёт вообще, так что слово «охват» я стараюсь не использовать.
Оценка p упирается в число итераций: при 2 000 прогонах минимально различимое значение — 1/2000 = 0,0005, и всё, что ниже, я записываю как p < 0,001. Сами эффекты от перезапуска к перезапуску не двигаются вообще; p шевелится в третьем знаке, и это важно только для строгих порогов — про них ниже.
Поправку на множественные сравнения стоит держать в голове: проверок здесь девять, и при пороге 0,05 вероятность хотя бы одного ложного срабатывания около 37%. Под Бонферрони (порог 0,05 / 9 ≈ 0,0056) проходят четыре приёма — пост в одну строку, длинный текст, списки и видео. Вопрос в конце с p = 0,004 лежит вплотную к порогу: разброс между перезапусками того же порядка, что и расстояние до 0,0056, поэтому по строгому критерию я бы назвала его пограничным, а не подтверждённым. Карусель (0,030), четыре абзаца (0,018) и призыв к действию (0,016) порог не проходят — эти три строки стоит читать осторожнее остальных.
Оговорюсь, что Бонферрони здесь заведомо консервативен: он рассчитан на независимые тесты, а мои признаки пересекаются — 83% длинных постов заодно попадают в «четыре и больше абзацев». Настоящая поправка мягче, просто посчитать её честно сложнее.
Дополнительно — устойчивость: эффект считался отдельно на первой и второй половине периода. Если приём работает только в мае-июне, но не в июле-августе, это скорее особенность момента, чем закономерность.
Насколько наивный подсчёт врёт
Стоит показать цену этой нормализации в цифрах, потому что она больше, чем можно ожидать. Слева — эффект, если сложить все посты в одну кучу и сравнить медианы; справа — тот же признак при сравнении внутри авторов:
Списки: +36% → −22%
Упоминание денег: +39% → −7%
Одна картинка: +33% → −9%
Недосказанность: +19% → −21%
Цифра в первом предложении: +32% → +5%
Видео: −84% → −40%
Обращение на «ты»: −47% → −22%
Четыре признака из двенадцати меняют знак на противоположный, ещё три уменьшаются в разы.
Механизм на примере списков. У авторов, которые регулярно пишут списки, базовая медиана просмотров — 370, у тех, кто не пишет их никогда, — 191, почти вдвое ниже. При этом внутри своей ленты пост со списком проигрывает обычному посту того же человека. Когда всё сваливается в одну кучу, побеждает разница между авторами, а не между постами: в общей выборке посты со списками показывают 456 против 335, и признак выглядит выигрышным. Это классический эффект состава, и размер аккаунта тут ни при чём — по медиане подписчиков обе группы совпадают.
Практический вывод для тех, кто считает похожее: если единица наблюдения — пост, а просмотры генерирует аккаунт, любая статистика без группировки по аккаунту измеряет состав выборки, а не эффект приёма.
Про инструменты: у меня диплом Школы анализа данных Яндекса, поэтому со статистикой я на «ты». При этом весь сбор и все расчёты написаны промтами через Claude Code. Цифры считает python-скрипт, а не нейросеть на глаз, — модель использовалась только там, где нужна разметка по смыслу, и это отдельно оговорено ниже.
Фон: виральность — редкое событие
Прежде чем смотреть на приёмы, стоит понять масштаб. Распределение просмотров по 4 848 маркетинговым постам:
медиана — 343;
90-й процентиль — 2 003;
доля постов больше 10 тысяч просмотров — 2,2%;
максимум — 313 094.
Половина маркетинговых постов не добирает и 350 просмотров — и это у аккаунтов из топ-200 своей ниши. Распределение с тяжёлым правым хвостом, где хвост и делает всю «виральность».
Про сам топ: аккаунтов с сотнями тысяч подписчиков среди русскоязычных маркетологов в Threads практически нет. Верхняя граница выборки — 101 594 подписчика в единственном экземпляре, двухсотое место — 1 715. Русский сегмент площадки всё ещё маленький.
Результаты: что делают чаще всего и что это даёт
Все 4 848 постов по машинно-определимым признакам. Порядок — по частоте признака. В скобках: p-value и число авторов, попавших в расчёт после порога в 5 постов на группу.
Четыре и больше абзацев — 1 619 постов (33%). Эффект −10,5%, p = 0,018, авторов 33
Недосказанность («вот 5 промтов:», «⤵️») — 1 279 постов (26%). Эффект −21%, p < 0,001, авторов 31
Прямой призыв к действию — 1 086 постов (22%). Эффект −12,5%, p = 0,016, авторов 22
Пост в одну строку — 1 050 постов (22%). Эффект +26%, p < 0,001, авторов 42
Длинный текст, 400+ знаков — 704 поста (15%). Эффект −25%, p < 0,001, авторов 27
Списки и перечисления — 600 постов (12%). Эффект −22%, p = 0,0005, авторов 19
Карусель — 516 постов (11%). Эффект +15%, p = 0,030, авторов 25
Видео — 354 поста (7%). Эффект −40%, p < 0,001, авторов 8
Вопрос в конце поста — 270 постов (6%). Эффект +31%, p = 0,004, авторов 20
Три самых частых приёма — четыре и больше абзацев, недосказанность и призыв к действию — все в минусе. Так написан каждый третий, почти каждый третий и каждый пятый пост.
А приёмы с плюсом стоят внизу по частоте. Вопрос в конце поста — самый сильный эффект во всём расчёте, +31% — встречается всего в 6% постов. Карусель, единственный формат с картинками в плюсе, — в 11%. Единственное исключение — пост в одну строку: и частый, и +26%.
Про видео важная оговорка: p = 0,000, но авторов в расчёте всего 8. Регулярно постят видео немногие, так что цифра надёжна по расчёту, но держится на узкой группе — восемь человек могут иметь общую особенность, которую я не контролирую.
Что не подтвердилось
В наивном подсчёте эти приёмы «давали» десятки процентов. Внутри автора эффект исчез:
Личная история от первого лица — 2 389 постов. +2%, p = 0,34
Цифра в первом предложении — 1 335 постов. +5%, p = 0,21
Одна картинка — 1 012 постов. −9%, p = 0,099
Вопрос в начале поста — 567 постов. −7%, p = 0,12
Упоминание денег и сумм — 379 постов. −7%, p = 0,18
Отдельно про одну картинку: p = 0,13 — это не «доказано, что не влияет», а «данных не хватает, чтобы отличить от нуля». Разница существенная, и в статьях её обычно смазывают. Единственный формат с изображениями, который проходит проверку, — карусель.
А два приёма, которые обычно считают безобидными, ушли в минус:
Эмодзи — 2 404 поста, половина базы. Эффект −21%, p < 0,001, авторов 43
Обращение на «ты» — 323 поста. Эффект −22%, p = 0,006, авторов 14
С «ты» стоит быть аккуратнее: авторов в расчёте всего 14, и это ровно тот случай, где Бонферрони бы не помог, а помогли бы новые данные.
Смысловая разметка и ошибка выжившего
Всё выше — про форму, которую можно определить скриптом. Но форма ничего не говорит о содержании. Поэтому я взяла самые сильные маркетинговые посты и разметила моделью по смысловой механике — что пост делает с читателем.
Это отдельная база и отдельный статус данных: 391 пост вместо 4 848, разметка моделью, перестановочный тест не проводился. Это описательная статистика по победителям, а не проверенный эффект. Ниже «сила» — во сколько раз пост обошёл медиану своего автора.
Даёт готовое к применению — 84 поста, 21%, сила 10,7
Делится результатом с цифрой — 77 постов, 20%, сила 8,9
Объявляет позицию — 28 постов, 7%, сила 9,0
Разрушает общепринятое — 24 поста, 6%, сила 9,0
Задаёт вопрос без готового ответа — 23 поста, 6%, сила 8,7
Просит помочь или посоветовать — 18 постов, 5%, сила 8,3
Ловит на узнавании — 15 постов, 4%, сила 8,1
Называет общее раздражение — 14 постов, 4%, сила 6,8
Обещает без действия — 13 постов, 3%, сила 12,7
Запрещает привычное — 13 постов, 3%, сила 13,7
Показывает изнанку — 11 постов, 3%, сила 8,1
Говорит вслух то, о чём молчат — 10 постов, 3%, сила 30,6
Признаётся в непопулярном — 10 постов, 3%, сила 12,3
Строка «говорит вслух то, о чём молчат» с силой 30,6 выглядит как золотой приём — втрое выше всех остальных. Но это 10 постов из 391: одна удачная публикация тянет всю строку вверх, доверительный интервал тут шире самой оценки.
И вот главная иллюстрация, ради которой этот раздел вообще нужен. Недосказанность нашлась у 54% сильных постов. Если смотреть только на победителей — очевидный вывод: больше половины из них так делают, надо копировать.
А на всей базе, где таких постов 1 279, приём даёт −21%.
Противоречия здесь нет. Недосказанность используют примерно все, поэтому она с той же частотой встречается и среди победителей, и среди провалившихся. Разметка по победителям измеряет P(приём | успех), а нужна P(успех | приём) — это разные величины, и без знаменателя одну в другую не пересчитать. Ровно так и работает ошибка выжившего, и ровно этим грешит большинство публичных «исследований алгоритмов».
Подтемы
Внутри маркетинга темы работают по-разному. Порядок по количеству постов; дальше медиана просмотров, сила к норме автора и доля прорывов:
Threads: рост и алгоритмы — 2 171 пост, медиана 419, сила 1,01, прорывов 16%
Нейросети и AI — 849 постов, медиана 201, сила 1,00, прорывов 17%
Общее про маркетинг — 809 постов, медиана 386, сила 1,05, прорывов 17%
Продажи, оффер, деньги — 282 поста, медиана 269, сила 0,86, прорывов 11%
Клиенты и работа с ними — 272 поста, медиана 328, сила 0,92, прорывов 11%
Reels и видеоконтент — 154 поста, медиана 197, сила 0,95, прорывов 16%
Обучение, курсы — 68 постов, медиана 372, сила 0,91, прорывов 18%
Аналитика и метрики — 61 пост, медиана 279, сила 1,04, прорывов 3%
Платная реклама и таргет — 61 пост, медиана 428, сила 1,00, прорывов 17%
Личный бренд и упаковка — 44 поста, медиана 344, сила 0,99, прорывов 7%
Контент и копирайтинг — 33 поста, медиана 355, сила 1,17, прорывов 15%
Поиск работы и найм — 26 постов, медиана 311, сила 1,33, прорывов 28%
Самая перегретая тема — нейросети: 849 постов при медиане 201 просмотр, вдвое ниже, чем у постов про сам Threads. Предложение сильно обгоняет спрос.
Худшая тема по силе — продажи и деньги, 0,86: пост про продажи в среднем собирает меньше, чем обычный пост того же автора. Аналитика почти никогда не выстреливает — прорывов 3%, в пять раз реже среднего.
Тут стоит держать в голове, что хвост этого списка — темы с 26–61 постом, и разброс на таких объёмах большой. «Вакансии 1,33» я бы читала как направление, а не как измерение.
Отдельный сюжет: реплаи. Данные одного аккаунта
Всё выше — про посты. Но у меня была гипотеза, что рост даёт не постинг, а ответы под чужими ветками. Проверить это на выборке из 200 аккаунтов нельзя: Threads API не отдаёт чужие реплаи. Поэтому проверяла на своём — @tsunami_shu.
Здесь n = 1, и это принципиально другой статус данных. Ни выборки, ни перестановочного теста, ни контроля на автора — контролировать нечего, автор один. Всё, что ниже, — наблюдение, а не вывод. Обобщать на других не стоит.
Реплаи достаются через эндпоинт GET /v1.0/me/replies с полями root_post и replied_to — по ним отличается ответ на корневой пост от ответа внутри ветки. Собрала свои ответы за восемь месяцев и почистила так же, как основную выборку: убрала вакансии, бытовое и всё не про работу. Осталось 576 профессиональных реплаев, из них 409 под чужими постами, и 58 собственных постов за тот же период.
Чистка тут решает всё. Мои самые залетевшие посты — ветка про зарплаты тестировщиков на 134 тысячи просмотров и вопрос про жару в Ташкенте. Оставь их — и «средний пост» окажется втрое сильнее, чем есть.
Свои посты: 58 штук, 46 675 просмотров суммарно, 295 лайков, среднее 805, медиана 386.
Реплаи: 576 штук, 151 323 просмотра, 678 лайков, среднее 263, медиана 29.
На реплаи приходится 76% суммарного охвата и 70% лайков — но сравнивать суммы напрямую нечестно, реплаев в десять раз больше. По силе одной единицы картина обратная: 805 против 263, то есть один пост примерно втрое сильнее одного ответа, а по медиане разрыв больше десятикратного.
Огромный разрыв между средним (263) и медианой (29) у реплаев — тот же тяжёлый хвост: 49% всех просмотров реплаев в чужих ветках дали топ-10 из 409, и только 2% ответов перевалили за 1 000 просмотров.
Что видно в самих текстах:
Ответ на корневой пост против ответа внутри ветки — медиана 36 против 11. В глубине ветки вас почти никто не видит.
Длина работает в плюс. Реплаи длиннее 250 знаков — медиана 50 против 28 у коротких. Единственный случай во всём исследовании, где длина помогает: в постах ровно наоборот.
Конкретика. Цифра в ответе — медиана 35 против 26 (n=72 против 337). Названный инструмент — 32 против 28 (n=56 против 353). Ответ от первого лица разницы не дал.
Все три цифры выше — сырое сравнение медиан двух групп, без перестановочного теста и без поправки на что-либо. Контролировать здесь нечего: автор один, а разбиение по признаку внутри 409 ответов оставляет группы по 50–70 наблюдений при тяжёлом хвосте. Разницу в 4 просмотра медианы (32 против 28) я бы не стала называть эффектом вообще — привожу её только чтобы не выкидывать признак молча.
Практический вывод, который я из этого делаю для себя: реплаи выигрывают не силой, а количеством. Один ответ стоит дёшево и даёт мало, но их можно написать десятки за то же время, что уходит на один хороший пост.
Правда, десять осмысленных ответов в день руками — работа, которую мало кто выдержит дольше месяца. Для другого проекта я собрала под это Threads-агента: публикует, отвечает на комментарии за пять минут и раз в неделю приносит кастдев-разбор. Код открыт, TypeScript — github.com/x-bizarre/amy-threads-bot.
Ограничения
Собираю в одном месте всё, что ослабляет выводы, — часть уже упоминалась выше.
Три месяца — срез, а не история. Ранжирование меняется, выводы устаревают. Перепроверять стоит раз в квартал.
Только маркетологи, только русский сегмент. Для других ниш закономерности могут отличаться, хотя технические ограничения площадки (видео, длина) скорее всего общие.
Наблюдательное исследование, не эксперимент. Внутри-авторская нормализация снимает эффект размера аккаунта, но не снимает выбор автора: человек сам решает, когда писать одной строкой, а когда длинно. Возможен обратный ход причинности — например, короткие посты пишутся на бегу по горячей теме, и работает тема, а не длина.
Нет поправки на множественные сравнения. Девять проверок при пороге 0,05. Под Бонферрони не проходят карусель, четыре абзаца и призыв к действию, а вопрос в конце (p = 0,004) лежит вплотную к порогу и по строгому критерию считается пограничным.
Видео — 8 авторов. Эффект значим по расчёту, но восемь человек могут иметь общую особенность, которую я не контролирую.
Смысловая разметка — подвыборка 391 поста без теста на случайность и с разметкой моделью. Гипотезы, а не правила.
Блок про реплаи — n = 1. Мой аккаунт, без контроля вообще.
Не измерена скорость набора реакций. Все источники сходятся, что важно, как быстро пост собирает ответы в первый час. Threads не отдаёт историю накопления, только итог. Проверяется только наблюдением в реальном времени.
Нет данных о подписках. Threads не показывает, сколько человек подписалось после конкретного поста. Измеряются только охват и реакции.
Выжившие посты. Удалённые и скрытые посты (около 4,5 тысяч из 16 724) в расчёт не попали. Если авторы чаще удаляют неудачные, оценки смещены вверх — проверить это невозможно в принципе.
Разный возраст постов. Просмотры сняты одним срезом 4–5 августа, а посты в выборке — с 4 мая. У майского поста было три месяца на набор просмотров, у вчерашнего — сутки. Внутри-авторская нормализация это не чинит: если автор в июле сменил манеру письма, часть разницы объяснится возрастом постов, а не приёмом. Строго правильно было бы фиксировать просмотры в одинаковом возрасте — например, через 48 часов после публикации. Это главное, что я переделаю в следующем замере.
Что в итоге
Похоже, Threads в русском сегменте вознаграждает разговор, а не публикацию. Всё, что выглядит как подготовленный материал, идёт с меньшими просмотрами: видео −40%, длинный текст −25%, списки −22%, недосказанность −21%, призыв к действию −12,5%. Всё, что выглядит как реплика в диалоге, — с большими: пост в одну строку +26%, вопрос в конце +31%. Слово «похоже» здесь не вежливость: это наблюдательные данные, и механизм ранжирования по ним не восстанавливается.
Комментарии идут вместе с просмотрами сильнее, чем лайки. Если разбить посты по числу лайков и внутри каждой группы сравнить те, у кого комментариев больше медианы, с теми, у кого меньше, — первые собирают на 39–76% больше просмотров, и так на всех уровнях: и у постов с 5 лайками, и с сотней. Направление совпадает с официальной позицией Meta (признана в России экстремистской организацией, деятельность запрещена) про приоритет ответов.
Только причинность тут запутана сильнее обычного и в обе стороны сразу: комментарии могут поднимать просмотры, но и просмотры неизбежно порождают комментарии — пост, который показали большему числу людей, соберёт больше ответов просто поэтому. Разделить эти два эффекта на итоговых счётчиках, без истории накопления, невозможно. Так что это корреляция, и трактовать её как «пишите так, чтобы комментировали, и получите охват» я бы не стала — хотя соблазн есть.
Практики массово делают ровно то, что не работает. Три самых частых приёма — в минусе. Приём с самым сильным плюсом стоит в 6% постов. Эмодзи есть в половине постов и стоят пятой части просмотров.
И методологическое, ради чего я всё это затевала. Значительная часть советов из гайдов на данных не подтверждается, а несколько популярных приёмов работают в минус. Не потому что авторы гайдов врут — просто они считают долю приёма среди победителей и выдают её за эффект приёма. Без знаменателя — без провалившихся постов с тем же приёмом — эти две величины не связаны никак.
Проверить это на своих данных дешевле, чем кажется: обычный браузер, несколько python-скриптов и пара дней. Отдельного сервиса аналитики не понадобилось.
Надя Пак — AI-native product marketing manager, выпускница Школы анализа данных Яндекса, автор курса «AI-маркетолог». Собираю аналитику, лендинги и внутренние инструменты промтами, без разработчиков. Пишу об этом в своём Telegram-канале.
