Как работать со статистикой подкастов: семь приемов редакции «Т—Ж»

Чтобы делать выводы, данные должны быть полными. Для этого полезно завести одно место, в котором регулярно будет собираться статистика с разных платформ.

Это поможет сохранить полную историю подкаста. И даже если отдельные платформы начнут отдавать статистику иначе, если они вдруг удалят ваш подкаст или закроются сами, если вы утратите данные при смене хостинга, — собранная статистика останется у вас.

И это удобно. Если у вас возникнет гипотеза, нужно будет быстро собрать статистику для нового партнера или просто оценить прогресс на длинном отрезке и построить красивый график — у вас будет удобное и всегда доступное вам место с упорядоченными данными. Мы, например, используем для этого Google Таблицы.

Регулярность важна для фиксации показателей, у которых нельзя посмотреть историю в некоторых кабинетах со статистикой, — например, рост числа подписчиков или статистика отдельных эпизодов. Если вы отслеживаете эти данные, то записывайте дату фиксации, чтобы потом можно было построить графики на основе этой информации.

Небольшой фрагмент таблицы, в которой мы собираем ежемесячную статистику по отдельным шоу.

Если вы активно следите за ростом одного подкаста, подойдет еженедельный формат фиксации данных — потом будет легко оценить динамику. Сбор данных на длинной дистанции сразу нескольких проектов мы рекомендуем осуществлять не чаще одного раза в месяц.

Головная боль всех, кто занимается статистикой подкастов, — унификация данных по подкаст-платформам.

У платформ много отличий: разные интерфейсы кабинетов со статистикой, способы группировки данных по периодам и по выпускам, методы оценки времени и уникальности прослушивания. И даже само понятие «прослушивание» — это скорее принятое у подкастеров усреднение того спектра, который отдают платформы под разными названиями.

Именно прослушивания приходится принимать за основную единицу измерения. Вероятно, «уникальные прослушивания», «слушатели» и «стримы» лучше описывают вовлеченность аудитории, но как базовая единица они нам не подойдут. Этих категорий просто нет у некоторых платформ, а там, где есть, они означают разное. Такие данные можно сравнивать внутри одной платформы. Но регулярно в свою таблицу придется фиксировать именно простые прослушивания — они же «воспроизведения», «старты», «plays», «views» и «downloads».

Перейдем к сбору данных. Тут нам повезло, что маленькие подкаст-платформы (такие как Pocket Casts, Overcast, Podcast Addict, SoundStream) обычно не скачивают эпизоды через RSS и не перезаливают их к себе на сервера. Статистика по ним идет сразу на хостинг, и мы видим ее уже сложенной и унифицированной в кабинете Mave, Podster.fm, Simplecast или любом другом.

Однако из больших платформ только две напрямую отдают данные через RSS на хостинг — это Apple Podcasts и Castbox. При этом, если сравнивать данные на хостинге и в кабинете Apple, то можно заметить несоответствие: Apple часто показывает примерно на 30% больше воспроизведений, чем хостинг — прослушиваний через Apple. Вероятно, хостинг — в нашем случае это Mave — отфильтровывает какие-то из прослушиваний, которые считает случайными или повторными (Mave в своей политике подсчета ссылаются на стандарт IAB*). «Т—Ж» использует статистику хостинга, потому что цифры там приведены к общему знаменателю хотя бы по нескольким платформам. Но это одно из слабых мест аналитики подкастов в целом — суммируя данные хостинга с другими платформами, нам приходится делать допущение, что все прослушивания идентичны, хотя на примере с Apple мы видим, что это не всегда так.

Из платформ, с которых данные приходится забирать отдельно, самая важная — «Яндекс Музыка». Тут нас в первую очередь интересуют «старты» — прослушивания длиннее 0 секунд, как их определяет сама платформа. «Яндекс Музыка» отдает статистику через кабинет в стороннем сервисе «Яндекс Datalens». Он предназначен специально для работы с данными, поэтому в нем есть удобные и гибкие инструменты, позволяющие быстро получить цифру стартов за любой период и по любой выборке эпизодов. Однако статистика иногда не обновляется две-три недели. Поэтому, если вы фиксируете данные каждый месяц, придется возвращаться и заполнять графу «Яндекс Музыки» в старых отчетах.

Прослушивания из Spotify отдаются не всем хостингам — например, у Mave их нет. Их кабинет тоже довольно гибко отдает статистику как по всему подкасту, так и по отдельным эпизодам за выбранный период. Недавно они перешли с отображения «starts» и «streams» на «plays» — цифры говорят, что это то же самое, что и старты до перехода. Именно их и фиксируем в таблице.

После закрытия Google Podcasts многие стали публиковать аудиоподкасты на YouTube. На два визуально разных сервиса — сам YouTube и YouTube Music — имеется один кабинет статистики, который называется YouTube Studio. Там есть отдельная вкладка Podcasts, и это может запутать, потому что каждый отдельный выпуск платформа все равно считает как видео. Единственная метрика здесь «views» — такая же, как и у видео с движущейся картинкой — ее и фиксируем. Сегментация по подкастам и произвольным временным периодам тут тоже есть.

Следующая платформа, куда стоит отдельно сходить за данными, — «ВКонтакте». Здесь последовательные данные фиксировать сложнее всего, потому что кабинет заточен под аналитику активности во всем сообществе, а подкаст — только один из его разделов, и по нему есть лишь один тип данных — «прослушивания». Ситуацию усложняет то, что это явно не старты — их можно найти отдельно по каждому эпизоду под самим эпизодом, но нельзя посмотреть по всему подкасту за период времени. И старты к прослушиваниям тут обычно относятся как 3:1. Для простоты тут можно фиксировать прослушивания за период. Если все-таки пытаться свести всё к стартам, то придется оценивать соотношение стартов и прослушиваний под последним эпизодом и умножать на него прослушивания за период. Главное — каждый раз считать одним и тем же способом.

У каждого прослушивания есть две основные характеристики, которые почти все платформы нам отдают, — эпизод и дата. Это позволяет группировать данные двумя способами: по периодам и по эпизодам/сезонам. Для аналитики полезны оба, но сначала разберемся с периодами.

Как упоминалось ранее, для постоянного ведения статистики на длинной дистанции и по нескольким шоу сразу подойдет сбор данных раз в месяц. Этого достаточно, чтобы заметить общую динамику и отличить период промо от обычного периода, а также это не требует слишком много времени.

Для оценки динамики по ходу сезона или сравнения роста с предыдущим сезоном лучше всего подойдет недельный или двухнедельный период — по циклу выхода эпизодов. Если записывать данные с разных платформ отдельно, потом можно будет построить репрезентативный график — на нем сразу будет видно, за счет каких платформ произошли рост или падение в сравнении с предыдущим периодом.

График прослушиваний одного из наших подкастов по неделям, сравнение разных сезонов.

Например, график выше показывает недельную аудиторию нового подкаста в разбивке по платформам. В первом сезоне подкаст со старта был поддержан «Яндекс Музыкой» в плейлистах, но не получил широкого промо. Однако на других платформах он также имел и органический рост. Поэтому к концу короткого сезона доля аудитории на других платформах сравнялась с долей на «Яндекс Музыке». Во втором сезоне сервис снова поддержал проект через плейлисты, а вот органический рост на других платформах не случился — каждую неделю в подкаст возвращалась одна и та же аудитория.

Если бы мы сравнили только общие цифры, то сочли бы результат второго сезона хорошим — вышло больше, чем в первом. Но этот график помог понять, что сезон получился слишком узким тематически и не привел новых слушателей. Поэтому мы скорректировали подход и вернулись с успешным третьим сезоном.

Это метрика, которую мы используем для сравнения общей популярности подкаста в разных сезонах или между началом и концом сезона. На наш взгляд, она лучше отражает интерес к подкасту, чем подписчики или средние значения прослушиваний. Считать ее можно так же, как описано в предыдущем пункте: за неделю или две недели — по графику выхода подкаста.

Для измерения нужно выбрать несколько соседних недель или двухнедельных периодов (в зависимости от цикла выхода подкаста), когда у подкаста не было ни редакционного промо в «Яндекс Музыке» или во «ВКонтакте», ни уникального успеха на YouTube благодаря алгоритмам. Если таких «чистых» недель нет, можно собрать метрику искусственно, подставив вместо аномального результата по одной из платформ типичный.

Например, благодаря более продолжительному промо от «Яндекс Музыки» во втором сезоне подкаст «Схема» собрал почти столько же прослушиваний, сколько в третьем. Но, сравнив возвращающуюся на конец сезонов аудиторию, мы увидели рост в 50% и поняли, что подкаст не стагнировал в третьем сезоне.

Или другой пример — подкаст «В курсе рубля», который за первый сезон собрал заметно меньше прослушиваний, чем «Трачу на дачу». Мы так же сравнили возвращающуюся аудиторию и поняли, что после окончания всех промо-активностей слушать про дачу осталось вдвое меньше человек, чем про экономику. Стало понятно, что в «Трачу на дачу» нужны изменения, а вот концепция «В курсе рубля» работает и можно пускать силы на скорейшее продолжение подкаста — и подкаст действительно вырос втрое по стабильно возвращающейся аудитории в следующих сезонах.

Еще один вариант работы со статистикой — отслеживание прослушиваний отдельных эпизодов. Это бывает полезно в трех случаях.

Первый — в ретроспективной аналитике, когда сезон подкаста закончился, и мы хотим понять, что понравилось больше всего. Если с последнего выпуска прошло несколько недель, можно не делать поправку на время и просто зафиксировать общие прослушивания, но в разбивке по отдельным платформам. Так можно увидеть, где высокий результат за счет редакционного или алгоритмического промо на одной платформе перекрыл органическую популярность других эпизодов. И понять — этот выпуск попал в топ, потому что ему повезло с таймингом, а вот к этому был естественный интерес. Вот пример такой разбивки по одному из наших подкастов.

Таблица с прослушиваниями эпизодов одного из наших подкастов с разбивкой по платформам.

Эта таблица отсортирована по общей сумме прослушиваний эпизодов. Тут видно, что больше всех набрали эпизоды, попавшие на период баннерного промо на «Яндекс Музыке» — первые два эпизода и тизер, у них показатель в два-три раза больше обычного для этой платформы. Они же получили поддержку во «ВКонтакте» и залетели лучше других в алгоритмах YouTube. Также вырос Эпизод 17, попавший в редакционную подборку на «Яндекс Музыке».

А вот без поддержки на верх таблицы выбился Эпизод 9. Он в топе по всем платформам, кроме «Яндекс Музыки», — верный показатель удачной темы или популярного гостя.

В середине таблицы несколько эпизодов из конца сезона — они собирали больше других на Apple Podcasts, Castbox, Spotify. Вероятно, потому что под конец сезона лояльная аудитория подкаста стала больше.

Еще ниже в таблице — невыдающиеся по статистике эпизоды, которые получили промо во «ВКонтакте» или были популярны в YouTube. На скриншот не попали эпизоды, которые не взлетели ни на одной платформе. По таким выпускам можно оценивать минимальную ожидаемую аудиторию.

Второй сценарий использования поэпизодной статистики — для понимания, как показал себя новый сезон в сравнении с предыдущим. Если он еще в процессе выхода, то имеет смысл замерить, сколько новые эпизоды набирают за фиксированный отрезок времени — например, за месяц с релиза. И потом сравнить, сколько собирали эпизоды в прошлом сезоне за такой же период. Может получиться так, что возвращающаяся аудитория у подкаста сейчас выше, чем была год назад, но живет он за счет популярности старых выпусков, а новые собирают меньше, чем в прошлом сезоне. Такое наблюдение помогло нам вовремя задуматься о смене концепции в «Плане Б» и переломить тренд на снижение.

Третий сценарий — чтобы детальнее посмотреть на триггеры роста. Например, по итогам сезона вы видите, что аудитория росла почти каждую неделю, и у всех эпизодов вышли примерно одинаковые числа. Тогда можно заморочиться и построить график роста каждого выпуска по дням. На нем мы увидим, какие именно эпизоды были драйверами роста, а какие новую аудиторию не приводили, получая уже вторичный рост.

Тут стоит делать поправку на «Яндекс Музыку» — можно не заметить, как редакция на пару дней взяла один ваш выпуск в плейлист новинок — но эти дни дадут ему пару тысяч прослушиваний, которые могут легко превзойти органическую разницу между успешным и средним выпуском.

Пример построенного в Google Таблицах графика роста прослушиваний с момента релиза для нескольких эпизодов одного подкаста.

Но такой график — это трудоемкая задача, требующая много ручного копирования данных. Более простой вариант — найти такой же автоматический график на Apple Podcasts. Да, он будет только по одной платформе, зато сразу без влияния редакционных промо.

График по последним эпизодам в Apple Podcasts. Можно добавить любые эпизоды, пунктир — медианный эпизод по всему подкасту.

На разных платформах подкаст растет по-разному. На «Яндекс Музыке» основной инструмент роста — различные редакционные промо. Их влияние на статистику похоже на классическую маркетинговую воронку.

Сначала подкаст в виде баннера или участника подборки показывают очень большому числу людей — эти цифры платформа оставляет себе. Из показов есть какая-то конверсия в клики, то есть включения подкаста. На этом этапе мы фиксируем это в виде прослушиваний (стартов). Но это только середина воронки, а конец — возвращающаяся аудитория, которая после окончания промо будет включать новые выпуски. Поэтому, когда подкаст новый и «Яндекс Музыка» берет его в промо, скорее всего, более 90% прослушиваний будет приходиться именно на эту платформу — но это не конечное распределение.

На Apple Podcasts, Castbox и Spotify воронка обратная — после 2022 года там нет редакционного промо, которое сразу бы показало подкаст многим. Но остались алгоритмы, поднимающие подкаст в топах категорий и общем чарте, когда видят даже небольшой прирост аудитории. А в этих топах его находят уже новые слушатели — и создают новый прирост.

Такая волна последовательного роста может продолжаться несколько недель подряд и вывести подкаст с нескольких сотен к десяткам тысяч прослушиваний в неделю. Поэтому, если на старте кажется, что прослушиваний на этих платформах очень мало по сравнению с «Яндекс Музыкой», то это неважно. Стоит следить именно за динамикой и всеми доступными силами ее поддерживать, потому что даже лишние десятки прослушиваний могут дать желаемую разницу и запустить волну алгоритмического роста.

Что же касается «ВКонтакте» и YouTube, то у них, в сравнении с исключительно аудиоплатформами, довольно слабая возвращаемость аудитории в подкастах.

В период промо «ВКонтакте» может приносить ощутимую долю в общих прослушиваниях, и число подписчиков там будет расти так же быстро. Но после окончания промо большинство подписчиков не вернутся, чтобы включить новый выпуск, и прослушивания могут упасть в 10 раз буквально у соседних выпусков.

Так же и в YouTube — хоть там и алгоритмическое промо, но оно воспринимает как отдельный продукт каждое видео, а не подкаст в целом. Поэтому один эпизод могут показать довольно большой случайной аудитории, но конверсия в аудиторию других выпусков будет минимальна. Вероятно, это связано с привычками пользователей, так как для обеих платформ аудиоподкасты — не основной тип контента. При желании что-нибудь послушать ваши подписчики во «ВКонтакте» открывают ту же «Яндекс Музыку», где у них хранятся другие подписки.

Время, проведенное с контентом, или таймспент как основную внутреннюю метрику у себя используют стриминговые платформы, социальные сети и крупные медиа.

Подкастерам эта метрика может быть полезна, потому что она говорит о вовлечении аудитории более явно, чем косвенные оценки по росту или падению числа прослушиваний.

В индустрии распространена производная от таймспента — процент дослушивания или средний процент прослушивания. Как и в случае со стримами, эта метрика полезна только для сравнения разных эпизодов внутри одной платформы, но при попытке посчитать ее по всему подкасту возникнут проблемы. Кто-то считает ее от стримов, кто-то — от стартов, кто-то вообще не отдает. А у Apple Podcasts она, похоже, сломана, и нередко выдает более 100%. Но главное — она рассчитывается от длины эпизода, которая всегда разная. Куда более универсальная единица — секунда прослушивания, которая одинакова на любой платформе и в любом эпизоде.

Посчитать таймспент подкаста довольно сложно, потому что не все платформы отдают какие-либо данные о времени. Но по тем, которые предоставляют такую информацию, можно вычислить среднее время одного прослушивания. Мы называем его TPS — Time per Start — и считаем по простой формуле:

Именно в часах все платформы отдают общие данные по времени слушания, а в секунды мы переводим для удобства — чтобы потом не иметь дела с десятыми и сотыми долями часа.

TPS сильно различается в зависимости от платформы и многое говорит о ценности каждого прослушивания. Например, у «Т—Ж» на Spotify стабильно самый высокий TPS, а значит самая вовлеченная аудитория. На «Яндекс Музыке» и Apple Podcasts немного меньше, но именно среднее по этим платформам мы берем за базу — на них приходится большая доля от всех прослушиваний. А также на этих платформах стабильная аудитория всегда разбавляется небольшой долей случайной.

Кстати, при широком промо TPS снижается — много новых людей видят ваш подкаст впервые, а значит и многих он не заинтересует. Поэтому, если, например, на «Яндекс Музыке» был баннер, мы делаем на это поправку — понимаем, что на других платформах TPS за этот период будет чуть выше. Последняя платформа, отдающая данные о времени, — YouTube. Тут TPS самый низкий — вероятно, по тем же причинам с непривычным для пользователей платформы форматом.

Другие платформы данными о времени не делятся: в кабинете «ВКонтакте» нет часов, а через RSS на хостинг просто не передаются эти данные от всех подкаст-платформ. Поэтому при желании оценить общий таймспент придется брать средние значения TPS по «Яндекс Музыке» и Apple Podcasts и экстраполировать их на те платформы, по которым нет данных, а затем уже прибавлять Spotify и YouTube. В общем, задача трудоемкая, а итоговое число будет очень большим — сотни миллионов или даже миллиарды секунд — и вряд ли оно многое вам скажет.

Но вот TPS по отдельным подкастам — метрика интересная. Мы фиксировали ее несколько месяцев подряд и заметили пару тенденций:

• Средняя длина выпуска ожидаемо коррелирует с TPS — чем более длинный формат у подкаста, тем длиннее будет и среднее прослушивание.
• Каждое прослушивание нарративного подкаста в среднем длиннее, чем у разговорных. У нас подкаст «Схема» стабильно держит первое место, имея чуть больше 1000 секунд на старт, хотя выпуски «Плана Б» или «Приема»  обычно немного длиннее.
• Подкасты, привязанные к актуальной повестке, теряют TPS вместе с потерей актуальности. Наш подкаст про экономику «В курсе рубля» показывал TPS около 850 секунд в период выхода сезона, а в межсезонье этот показатель проседал до 650-700. При этом у других подкастов с длинными межсезонными перерывами такого падения не наблюдалось — там контент более «вечнозеленый».

График, который мы построили, чтобы сравнить и следить за динамикой глубины прослушиваний наших подкастов.

Чтобы оценить, удался ли новый подкаст или сезон, можно смотреть сразу на все эти показатели:

1. Был ли рост несколько недель подряд на Apple Podcasts, Castbox и Spotify.
2. Много ли человек осталось слушать подкаст после промо на «Яндекс Музыке».
3. Как возвращающаяся аудитория соотносится с ней же в прошлом.
4. Стали ли отдельные выпуски собирать аудиторию быстрее, чем в начале.
5. Хороший ли TPS с учетом длины выпусков.

Всё это лучше говорит о потенциале подкаста или его текущего направления, чем абсолютные цифры прослушиваний и подписчиков. И нам это уже помогало принимать правильные решения. А еще, цифры — это всегда сильный аргумент: они помогут убедить продолжать делать подкаст, согласиться на изменения или просто дополнительно порадуют.