Tīkla teorētiķu veiksmīgi modelēts vīrusu mārketings

Cik liela ir iespējamība, ka jūs iegādāsieties Viljama Boida jaunākais Džeimsa Bonda romāns ? Vai arī skatīties otro daļu Hobits filmu triloģija, kad tā tiks izlaista decembrī? Vai arī nākamajās vēlēšanās balsot par demokrātu?

Varbūtība, ka jūs iegādāsieties noteiktu produktu vai pieņemsiet noteiktu viedokli, ir vienas no karstākajām tīkla teorijas problēmām: kā paredzēt, vai produkts, viedoklis vai ziņojums varētu kļūt par vīrusu.

Potenciālo atbilžu netrūkst. Patiešām, viens no svarīgākajiem tīkla teorijas panākumiem ir tas, ka tā parāda, kā informācija izplatās tīklā, pamatojoties uz tajā esošo personu savienojamību.

Tomēr tirgotājiem šī ideja vēl ir jāizmanto tā, lai iegūtu uzticamus un atkārtojamus rezultātus. Patiesība ir tāda, ka mārketings ir tikpat liela melnā māksla kā jebkad agrāk.

Tas drīz varētu mainīties, pateicoties Sjao Fanga un draugu darbam Jūtas Universitātē Soltleiksitijā. Šodien šie puiši atklāj paņēmienu, kas prognozē indivīdu adopcijas varbūtību tīklā un saka, ka tā ievērojami pārspēj iepriekšējos centienus.

Viņi saka, ka viņu jaunā tehnika ļaus mārketinga speciālistiem efektīvāk mērķēt savas kampaņas un precīzi pielāgot ziņojumus atsevišķiem klientiem, kuri, visticamāk, pieņems jaunu pakalpojumu konkrētajā brīdī.

Pirmkārt, nedaudz fona. Standarta metode informācijas izplatīšanās tīklā modelēšanai ir pazīstama kā kaskādes modelis. Tas paredz, ka cilvēks saņems kādu informāciju, ja tāda būs arī noteiktam skaitam viņa tuvāko kaimiņu. Citiem vārdiem sakot, adopcijas iespējamība ir sociāla ietekme, kas ir atkarīga no draugu, ģimenes un citu tuvu partneru ietekmes.

Šī pieeja ir guvusi lielus panākumus slimību izplatības, modes, vīrusu e-pasta un tā tālāk modelēšanā. Taču tīkla zinātnieki zina, ka tas ir tālu no ideāla.

Problēma ir tā, ka ir daudz citu seku, kas arī ietekmē to, vai indivīds pieņem ideju vai pērk produktu. Piemēram, indivīdam var būt lielāka iespēja iegādāties produktu mārketinga pasākumu dēļ, kas vērsti uz viņu bezsaistē. Tādas lietas kā pasta sūtījumi, stendi, TV reklāmas un tā tālāk.

Faktiski šie tā sauktie mulsinošie efekti ir tik spēcīgi, ka tie ir pretrunā tīkla teorētiķu mēģinājumiem modelēt reālu personu uzvedību reālos tīklos.

Reālu mārketinga pasākumu ietekmes modelēšanas problēma ir tā, ka to panākumu līmenis parasti ir tik zems, ka kaskādes modelī tas var šķist nenozīmīgs. Piemēram, iedomājieties, ka uzņēmums visiem esošajiem uzņēmumiem nosūta informāciju par jaunu produktu. Patiesība ir tāda, ka, ja puse procenta no visiem šiem klientiem izmantotu piedāvājumu, tirgotāji to uzskatītu par milzīgu panākumu.

Bet kaskādes modelī, ja pusprocents indivīda draugu iegādājas jaunu produktu, tas būtībā nav neviens no tiem. Tātad šis modelis paredz, ka šo preci neviens nepirks. Tas vienkārši nevar tikt galā ar nelielo, bet ievērojamo līmeni, kurā notiek liela daļa mārketinga.

Šeit parādās Sjao Fangs un citi. Šie puiši ir izveidojuši tīkla modeli, kas ņem vērā mulsinošo ietekmi, novērtējot, cik liela ir iespējamība, ka konkrēta persona pieņems ideju vai iegādāsies produktu. Tas īpaši pieļauj nelielu neobjektivitāti, ko var radīt bezsaistes ietekme, piemēram, reklāmas kampaņas.

Un Xiao Fang un kolēģi saka, ka tas arī darbojas. Šie puiši ir pārbaudījuši savu jauno pieeju 35 000 mobilo tālruņu klientu datubāzē, kuri varēja izvēlēties starp 18 dažādiem maksājumu plāniem.

Datu bāze parāda, cik klientu gada laikā katru dienu pieņēma jaunu plānu. Tas notika ar pieticīgu ātrumu aptuveni 0,4 procenti.

Šis rādītājs var būt sociālo tīklu ietekmes rezultāts, piemēram, draugi, kuri iesaka viens otram vienu un to pašu plānu. Taču tas var būt arī pašu uzņēmumu mārketinga pasākumu rezultāts, kas tīklā netiek reģistrēti.

Xiao Fang un co uzdevums ir modelēt, kā klienti ir pieņēmuši attiecīgo jauno maksājumu plānu. Viņi atklāja, ka parastie kaskādes modeļi būtībā nespēj paredzēt nekādu būtisku pieaugumu.

Tomēr viņu jaunā pieeja bija ievērojami veiksmīgāka. Viņi saka, ka spēja ņemt vērā nezināmus mulsinošos efektus ļauj viņiem veiksmīgi modelēt šo faktisko uzņemšanas līmeni, lai gan tas bija tikai 0,4 procenti.

Turklāt to modelis parāda, kuri tīkla mezgli, visticamāk, tiks pakļauti bezsaistes efektiem. Tas ir svarīgi, jo tas ļauj mārketinga speciālistiem daudz efektīvāk mērķēt savas kampaņas un reāllaikā pārraudzīt to panākumus.

Patiešām, jaunā pieeja rada iespēju izveidot personalizētus ziņojumus, kas paredzēti konkrētām personām tieši tajā brīdī, kad viņi ir visneaizsargātākie. Viņi saka, ka uzņēmumi var kļūt efektīvāki sēklu atlasē vīrusu mārketingam un laika gaitā veikt atlasi dinamiski.

Protams, viena lieta ir veiksmīgi prognozēt vēsturisko datu attīstību. Tas ir pavisam cits, lai prognozētu pašreizējo datu turpmāko attīstību. Tas būs šīs jaunās idejas īstais pārbaudījums. Un, ja tas izdosies, Sjao Fans un citi liks, ka vīrusu mārketinga pasaule piesitīs ceļu pie viņu durvīm.

Atsauce: arxiv.org/abs/1309.6369 : Adopcijas varbūtību prognozēšana sociālajos tīklos

paslēpties