Аналитика

Engagement rate: 4 ловушки расчёта и правильная формула

5 разных формул ER дают разброс 4.5× на одном креаторе. Tier-normalized benchmarks по нишам, paid-amplification effect и weighted-формула.

14 мин. чтения

Engagement-rate — самая популярная и одновременно самая некорректно используемая метрика в инфлюенсер-маркетинге. Один и тот же креатор может иметь ER 1.2% или 8.4% — в зависимости от того, кто и как считает. Ниже — 4 ловушки, в которые ловятся бренды и агентства при сравнении креаторов, и одна формула, которой стоит пользоваться, если хочется сравнивать яблоки с яблоками.

Ловушка 1 — разные формулы у разных инструментов

Слово «engagement rate» не имеет единого определения. В индустрии сосуществуют как минимум 5 разных формул, каждая даёт свой результат на одном и том же креаторе.

ФормулаЧто считаютГде применяется
ER by followers (likes-only)likes / followersСтарые SMM-tools, Modash (legacy)
ER by followers (full)(likes + comments + shares + saves) / followersHypeAuditor default
ER by views (likes-only)likes / viewsInstagram native insights
ER by views (full)(likes + comments + shares + saves) / viewsTikTok Analytics, Viralmaxing, large agencies
ER by reachengagement / unique reachДоступно только владельцу аккаунта (требует Insights-доступа)

Что это значит на практике: один и тот же креатор с 80k подписчиков, на одном и том же посте:

  • 5 000 likes, 200 comments, 800 shares, 1 500 saves
  • 240k views, 90k unique reach, 80k followers

Считаем по всем 5 формулам:

ФормулаER
ER by followers (likes-only)6.25%
ER by followers (full)9.4%
ER by views (likes-only)2.08%
ER by views (full)3.13%
ER by reach8.33%

Разброс — 4.5× на одном и том же посте. Если ты сравниваешь двух креаторов и у первого ER из Modash, а у второго из TikTok Analytics — ты сравниваешь два разных числа, не двух креаторов.

Защита: при сравнении всегда фиксируй формулу. Идеально — «ER by views (full)», потому что (а) views — самая надёжная denominator (followers легко raktыxon ботами, reach недоступен для не-владельцев), (б) «full» учитывает saves и shares, которые сильнее коррелируют с конверсией чем likes.

Ловушка 2 — ER математически падает с ростом базы

Если ты смотришь на ER креатора в динамике, ты увидишь нисходящий тренд по мере роста аккаунта. Многие интерпретируют это как «креатор сдулся». На самом деле — это закон жанра.

Аккаунт на 5k подписчиков почти весь — твоя ядерная аудитория (друзья, коллеги, целевые fans). ER 12% — нормально.

Аккаунт на 500k подписчиков уже подцепил пассивных follower'ов из алгоритм-рекомендаций. Они подписались на одну зашедшую виралку, но не каждый их пост лайкают. ER 2% — нормально для этого tier'а.

Корреляция followers ↔ ER на больших датасетах — отрицательная и статистически значимая. Это не означает, что креаторы становятся хуже. Это означает, что ER нельзя сравнивать без normalizация по follower-tier.

Tier-normalized benchmarks для 2026 (ER by views, full):

TierTikTok (median)Instagram Reels (median)
Nano (<10k)8–12%7–11%
Micro (10–100k)5–8%4–7%
Mid (100–500k)3–6%2.5–5%
Macro (500k–5M)2–4%1.5–3%
Mega (5M+)1–2.5%0.8–2%

Защита: никогда не сравнивайте abs ER креаторов из разных tier'ов. Сравнивайте deviation от tier-median'а. Креатор с 250k подписчиков и ER 5% (рост на 100% от tier-median'а 2.5%) — звезда. Креатор с 30k и ER 5% (внутри tier-median'а) — норма. Они одинаковы по ER, но первый сильнее.

Ловушка 3 — niche-effect (вертикали ведут себя по-разному)

ER 3% в ASMR-нише — очень низко (норма 6–9% за счёт «залипающего» контента и высокого save-rate). ER 3% в news/politics — высокий (норма 1–2%, аудитория consume + scroll, без engagement). Один и тот же «3%» — топ или дно в зависимости от вертикали.

Approximate niche ER ranges (Reels + TikTok, micro-tier 10–100k):

НишаMedian ER (low–high)Доминирующий driver engagement'а
ASMR / relaxation6–10%Saves + re-watches
Cooking5–9%Saves («приготовлю потом»)
Fitness4–8%Saves + shares
Beauty / fashion3–7%Likes + comments (style debate)
Tech / business3–6%Saves + shares
News / politics1–3%Comments (мнение)
Comedy / entertainment5–10%Likes + shares

Числа — приближённые, реальные varies. Главный вывод не в конкретных числах, а в принципе: ER нужно сравнивать внутри одной ниши, или явно нормализовать через niche-multiplier.

Ловушка 4 — paid amplification маскирует organic ER

Если креатор регулярно бустит свои посты через TikTok Promote или Instagram Boost, его «отчётный» ER (на total views) выглядит ниже, чем organic-only ER. Причина — paid views конвертируются в engagement хуже organic ones.

Конкретные числа: organic views конвертируются в ~6–8% engagement, paid views (boosted) — в ~1.5–3%. Если у поста 200k organic views (= 14k engagement) и потом креатор накачал +800k paid views (= ~16k engagement), общий ER падает с 7% до 3% — но это не деградация креатора, это смешение.

Защита: при оценке креатора всегда узнавайте, есть ли paid amplification. Если ваш инструмент даёт breakdown organic vs paid (Viralmaxing, native Creator Studio) — смотрите organic-only ER. Если нет — спросите креатора напрямую перед contract.

Парадокс: бренды часто предпочитают креаторов, которые пушат paid amplification (так как gross reach выше). Но organic-only ER — лучший предиктор того, что бренд-integration зайдёт. Бренд хочет платить за reach, который сам по себе работает, не за reach, который работает потому что креатор уже потратил $500 на boost.

Какой формулой пользоваться (наш рекомендуемый стандарт)

Для creator-management и influencer-evaluation мы рекомендуем:

ER = (likes + comments × 2 + shares × 3 + saves × 3) / organic_views

Почему такая формула:

  • Views в denominator'е — потому что views — самый стабильный и доступный показатель (followers нестабильны из-за ботов, reach недоступен для не-владельца)
  • Comments × 2 — комментарий стоит «дороже» лайка по затратам пользователя, и сильнее коррелирует с brand-recall
  • Shares × 3 — share — почти максимальный сигнал ценности, расширяет органический охват
  • Saves × 3 — save — самый сильный leading-indicator для conversion-кампаний
  • Organic views, not total — отрезает paid-bias

Эта формула — не стандарт индустрии. Большинство tools возвращают «vanilla» ER без weights. Но при equity-evaluation creator'ов эта weighted-формула лучше предсказывает sponsored-post performance, чем vanilla.

Скриншот audit-страницы Viralmaxing с разделом «Weighted ER» — встроим в финальной редакции.

Practical checklist для сравнения креаторов по ER

  1. Фиксируем формулу (рекомендуем weighted by views, organic-only)
  2. Считаем median по 30+ постам за 90 дней (см. когортный анализ)
  3. Нормализуем по follower-tier (deviation от tier-median'а)
  4. Нормализуем по нише (deviation от niche-median'а)
  5. Проверяем что paid-amplification не маскирует organic ER (запрос breakdown или question креатору)
  6. Финальное число: ER_normalized = ER_creator / (ER_tier_median × niche_multiplier). Если > 1.5 — креатор выше нормы для своего tier'а и ниши.

FAQ

Тому, чью формулу ты понимаешь и можешь воспроизвести. Не «авторитету бренда инструмента». Modash, HypeAuditor, Viralmaxing — все могут быть «правильными» для своих use case'ов; неправильно сравнивать креаторов с ER из разных систем без приведения к одной формуле. Если ER inferred (HypeAuditor показал, ты не можешь воспроизвести) — относись как к ориентиру, не как к точному числу.
Только если у тебя нет доступа к views (например, аудит чужого аккаунта без cooperation владельца). ER by followers быстро ломается на ботах в подписчиках, реагирует на removal/inactive accounts, не отражает реальное доношение алгоритма. ER by views — золотой стандарт.
Это спорный вопрос. Pro исключения: sponsored часто бустится креатором или брендом, искажает organic baseline. Contra исключения: brand-fit креатора — это part of сделки, sponsored performance — релевантная информация. Прагматично — считайте оба: «organic-only ER» (без sponsored) и «full ER» (со sponsored). Decision-making — на organic-only.
Это глубина engagement'а: длина комментариев (1 emoji vs 50 слов), процент «meaningful» комментариев (не «🔥🔥🔥»), share-to-DM ratio (внутри платформы → outside platform). Стоит мерить для high-end brand decisions, но это требует custom-парсинга. Для большинства команд weighted ER (как формула выше) — достаточно прокси.
Слабее, чем хотелось бы. Корреляция ER ↔ conversion — около 0.3–0.4 (статистически значимо, но далеко от детерминированной). Сильнее коррелируют: save-rate per post (0.5–0.6), brand-affinity history (0.6–0.7), niche-fit (0.5+). ER — necessary but not sufficient. Высокий ER без niche-fit конвертирует плохо.

Поделиться статьей

Присоединяйтесь к сообществу

Эксклюзивные советы и обсуждения

Вступить

Открой свой аналитический дашборд

Метрики аккаунтов, конкурентов и трендов в одной панели. Подключи свои аккаунты бесплатно.

Без кредитной карты. 3 дня бесплатно.

По теме

Читайте также

Похожие материалы для изучения

Аналитика

Burnout у in-house креатора: 4 признака в cadence-данных

Burnout читается в данных за 4-6 недель до увольнения. 4 сигнала с threshold-ами (cadence CV, ER, similarity, posting-time) и 4-stage intervention.

АналитикаB2BB2B маркетинг +2
2026-05-1614 мин
Читать
Аналитика

Когортный анализ креаторов: почему один пост — не сигнал

Single-event reasoning — главная ошибка creator-management. 3 типа когорт (per-creator, per-format, per-week) и 30-post rule.

АналитикаИнфлюенсер-маркетингB2B +1
2026-05-1614 мин
Читать
Аналитика

ROI видеоконтента: как измерить и увеличить в 3 раза

Полный гайд по ROI видеоконтента для CMO: правильные метрики, ошибки измерения, 5 способов увеличения эффективности. ROI-калькулятор и кейсы.

ROIАналитикаB2B +2
25 января 202522 мин
Читать
Гайды

Fake-followers: 6 DIY-методов отличить ботов от реальных

$1.4-2B годовые потери брендов. 6 DIY-методов детекции ботов (ER ratio, comments, growth pattern, sampling) с threshold-ами и scoring framework.

АналитикаИнфлюенсер-маркетингB2B +2
2026-05-1614 мин
Читать