Marketing wirusowy pomyślnie modelowany przez teoretyków sieci

Jakie jest prawdopodobieństwo, że kupisz najnowsza powieść o Jamesie Bondzie autorstwa Williama Boyda ? Albo obejrzeć drugą część Hobbit trylogia filmowa, kiedy zostanie wydana w grudniu? Albo zagłosować na Demokratę w następnych wyborach?

Prawdopodobieństwo, że kupisz określony produkt lub przyjmiesz określoną opinię, leży u podstaw jednego z najgorętszych problemów w teorii sieci: jak przewidzieć, czy produkt, opinia lub wiadomość mogą stać się wirusowe.

Potencjalnych odpowiedzi nie brakuje. Rzeczywiście, jednym z ważnych sukcesów teorii sieci jest to, że pokazuje ona, w jaki sposób informacje rozprzestrzeniają się w sieci w oparciu o łączność znajdujących się w niej jednostek.

A jednak marketerzy muszą jeszcze wykorzystać ten pomysł w sposób, który daje wiarygodne i powtarzalne wyniki. Prawda jest taka, że ​​marketing jest jak zawsze czarną sztuką.

To może się wkrótce zmienić dzięki pracy Xiao Fanga i kumpli z Uniwersytetu Utah w Salt Lake City. Dzisiaj ci faceci ujawniają technikę, która przewiduje prawdopodobieństwo adopcji osób w sieci i twierdzą, że znacznie przewyższa wcześniejsze wysiłki.

Mówią, że ich nowa technika pozwoli marketerom skuteczniej kierować swoje kampanie i dopasowywać komunikaty do indywidualnych klientów, którzy najprawdopodobniej przyjmą nową usługę w danym momencie.

Najpierw trochę tła. Standardowa metoda symulowania sposobu rozprzestrzeniania się informacji w sieci jest znana jako model kaskadowy. Zakłada się, że dana osoba otrzyma informację, jeśli posiada ją również określona liczba jego najbliższych sąsiadów. Innymi słowy, prawdopodobieństwo adopcji to efekt społeczny, który zależy od wpływu przyjaciół, rodziny i innych bliskich współpracowników.

Takie podejście odniosło duży sukces w modelowaniu rozprzestrzeniania się chorób, mody, wirusowych wiadomości e-mail i tak dalej. Ale naukowcy sieci wiedzą, że daleko mu do ideału.

Problem polega na tym, że istnieje wiele innych efektów, które również wpływają na to, czy dana osoba przyjmie pomysł lub kupi produkt. Na przykład dana osoba może być bardziej skłonna do zakupu produktu z powodu działań marketingowych skierowanych do niej w trybie offline. Rzeczy takie jak zrzuty pocztowe, billboardy, reklamy telewizyjne i tak dalej.

W rzeczywistości te tak zwane efekty mylące są tak silne, że przeciwstawiają się próbom teoretyków sieci modelowania zachowania prawdziwych jednostek w rzeczywistych sieciach.

Problem w modelowaniu efektów rzeczywistych działań marketingowych polega na tym, że ich wskaźnik sukcesu jest zwykle tak niski, że może wydawać się nieistotny w modelu kaskadowym. Na przykład wyobraź sobie, że firma wysyła informacje o nowym produkcie do wszystkich swoich istniejących firm. Prawda jest taka, że ​​gdyby pół procent wszystkich tych klientów skorzystało z oferty, marketerzy uznaliby to za ogromny sukces.

Ale w modelu kaskadowym, jeśli pół procent znajomych danej osoby kupuje nowy produkt, to w zasadzie żaden z nich. Więc ten model przewiduje, że nikt nie kupi produktu. Po prostu nie jest w stanie poradzić sobie z małym, ale znaczącym poziomem, na którym odbywa się wiele działań marketingowych.

W tym miejscu pojawia się praca Xiao Fang i spółki. Ci faceci stworzyli model sieci, który bierze pod uwagę mylące efekty przy ocenie prawdopodobieństwa, że ​​dana osoba przyjmie pomysł lub kupi produkt. W szczególności pozwala na niewielkie uprzedzenia, które mogą mieć wpływy offline, takie jak kampanie reklamowe.

A Xiao Fang i spółka twierdzą, że to też działa. Ci faceci przetestowali swoje nowe podejście na bazie danych 35 000 klientów korzystających z telefonów komórkowych, którzy mogli wybierać spośród 18 różnych planów płatności.

Baza danych pokazuje, ilu klientów każdego dnia przyjęło nowy plan w ciągu roku. Nastąpiło to w skromnym tempie około 0,4 proc.

Ta stawka może wynikać z efektów sieci społecznościowych, takich jak znajomi polecający sobie nawzajem ten sam plan. Ale może to być również wynikiem własnych działań marketingowych firm, które nie są rejestrowane w sieci.

Zadaniem Xiao Fang and co jest modelowanie sposobu, w jaki klienci przyjęli nowy plan płatności, o którym mowa. Odkryli, że konwencjonalne modele kaskadowe zasadniczo w ogóle nie przewidują żadnego znaczącego wykorzystania.

Jednak ich nowe podejście było znacznie bardziej skuteczne. Mówią, że możliwość uwzględnienia nieznanych mylących efektów pozwala im skutecznie modelować rzeczywisty wskaźnik absorpcji, mimo że wynosił on tylko 0,4 procent.

Co więcej, ich model pokazuje, które węzły w sieci najprawdopodobniej zostaną dotknięte efektami offline. To ważne, ponieważ pozwala marketerom znacznie skuteczniej kierować swoje kampanie i monitorować ich sukces w czasie rzeczywistym.

Rzeczywiście, nowe podejście stwarza perspektywę tworzenia spersonalizowanych wiadomości skierowanych do konkretnych osób dokładnie w momencie, gdy są one najbardziej narażone. Firmy mogą stać się bardziej efektywne w selekcji nasion do marketingu wirusowego i przeprowadzać selekcję dynamicznie w czasie, mówią.

Oczywiście pomyślne przewidywanie ewolucji danych historycznych to jedno. Zupełnie inne jest przewidywanie przyszłej ewolucji aktualnych danych. To będzie prawdziwy test tego nowego pomysłu. A jeśli to się powiedzie, Xiao Fang i spółka sprawią, że świat marketingu wirusowego utoruje sobie drogę do ich drzwi.

Nr ref.: arxiv.org/abs/1309.6369 : Przewidywanie prawdopodobieństwa adopcji w sieciach społecznościowych

ukryć