211service.com
Virální marketing úspěšně modelovaný síťovými teoretiky
Jaká je pravděpodobnost, že si koupíte nejnovější román Jamese Bonda od Williama Boyda ? Nebo se podívat na druhý díl Hobit filmová trilogie, když vyjde v prosinci? Nebo volit v příštích volbách demokraty?
Pravděpodobnost, že si koupíte určitý produkt nebo přijmete určitý názor, leží v jádru jednoho z nejžhavějších problémů teorie sítí: jak předpovědět, zda se produkt, názor nebo zpráva pravděpodobně stane virálním.
O potenciální odpovědi není nouze. Jedním z důležitých úspěchů teorie sítí je skutečně to, že ukazuje, jak se informace šíří sítí na základě konektivity jednotlivců v ní.
A přesto musí marketéři tuto myšlenku využít způsobem, který přináší spolehlivé a opakovatelné výsledky. Pravda je taková, že marketing je stejně černé umění jako vždy.
To by se mohlo brzy změnit díky práci Xiao Fanga a kamarádů z University of Utah v Salt Lake City. Dnes tito lidé odhalují techniku, která předpovídá pravděpodobnost přijetí jednotlivců v rámci sítě a říkají, že dramaticky překonává předchozí snahy.
Říká se, že jejich nová technika umožní obchodníkům efektivněji zacílit své kampaně a vyladit sdělení pro jednotlivé zákazníky, u kterých je největší pravděpodobnost, že v daný okamžik přijmou novou službu.
Nejprve nějaké pozadí. Standardní metoda pro simulaci způsobu, jakým se informace šíří sítí, je známá jako kaskádový model. To předpokládá, že člověk nějakou informaci dostane, pokud ji má i určitý počet jeho nejbližších sousedů. Jinými slovy, pravděpodobnost adopce je sociální efekt, který závisí na vlivu přátel, rodiny a dalších blízkých spolupracovníků.
Tento přístup měl velký úspěch při modelování šíření nemocí, módy, virových e-mailů a tak dále. Síťoví vědci ale vědí, že k dokonalosti má daleko.
Problém je v tom, že existuje mnoho dalších efektů, které také ovlivňují, zda jednotlivec přijme myšlenku nebo koupí produkt. Jednotlivec může mít například větší pravděpodobnost, že si koupí produkt kvůli marketingovým snahám, které se na něj zaměřují offline. Věci jako poštovní schránky, billboardy, televizní reklamy a tak dále.
Ve skutečnosti jsou tyto takzvané matoucí efekty tak silné, že vzdorují pokusům síťových teoretiků modelovat chování skutečných jedinců na skutečných sítích.
Problémem při modelování efektu skutečných marketingových snah je, že jejich úspěšnost je obvykle tak nízká, že se v kaskádovém modelu může jevit jako zanedbatelná. Představte si například, že společnost posílá informace o novém produktu všem svým stávajícím společnostem. Pravdou je, že pokud by nabídku využilo půl procenta všech těchto zákazníků, marketéři by to považovali za obrovský úspěch.
Ale v kaskádovém modelu, pokud si půl procenta přátel jednotlivce koupí nový produkt, není to v podstatě žádný z nich. Tento model tedy předpovídá, že si produkt nikdo nekoupí. Jednoduše nezvládne malou, ale významnou úroveň, na které se hodně marketingu odehrává.
Zde přichází na scénu práce Xiao Fang a spol. Tito lidé vytvořili model sítě, který bere v úvahu matoucí efekty při posuzování, jak je pravděpodobné, že konkrétní jedinec přijme nápad nebo si koupí produkt. Konkrétně umožňuje mírné zkreslení, které mohou mít offline vlivy, jako jsou reklamní kampaně.
A Xiao Fang a spol říkají, že to také funguje. Tito lidé otestovali svůj nový přístup na databázi 35 000 zákazníků mobilních telefonů, kteří si mohli vybrat mezi 18 různými platebními plány.
Databáze ukazuje, kolik zákazníků přijalo nový plán každý den v průběhu roku. Stalo se tak mírným tempem kolem 0,4 procenta.
Tato míra může být důsledkem efektů sociálních sítí, jako jsou přátelé, kteří si navzájem doporučují stejný plán. Může to být ale také výsledek vlastního marketingového úsilí společností, které není zaznamenáno na síti.
Úkolem společnosti Xiao Fang a spol. je modelovat, jak zákazníci přijali příslušný nový platební plán. Zjistili, že konvenční kaskádové modely v podstatě vůbec nedokážou předpovědět nějaké významné využití.
Jejich nový přístup byl však výrazně úspěšnější. Říkají, že schopnost zohlednit neznámé matoucí efekty jim umožňuje úspěšně modelovat skutečnou míru využití, i když to bylo pouze 0,4 procenta.
Jejich model navíc ukazuje, které uzly v síti budou s největší pravděpodobností ovlivněny offline efekty. To je důležité, protože to obchodníkům umožňuje mnohem efektivněji cílit své kampaně a sledovat jejich úspěch v reálném čase.
Nový přístup skutečně zvyšuje vyhlídky na vytváření personalizovaných zpráv zaměřených na konkrétní jednotlivce přesně ve chvíli, kdy jsou nejzranitelnější. Firmy se mohou stát efektivnějšími ve výběru semen pro virální marketing a provádět výběr dynamicky v průběhu času, říkají.
Jedna věc je samozřejmě úspěšně předpovídat vývoj historických dat. Něco jiného je předpovídat budoucí vývoj současných dat. To bude skutečný test této nové myšlenky. A pokud uspěje, Xiao Fang a spol. budou mít virální marketingový svět razí cestu k jejich dveřím.
Ref: arxiv.org/abs/1309.6369 : Předvídání pravděpodobnosti přijetí v sociálních sítích