211service.com
Virale marketing succesvol gemodelleerd door netwerktheoretici
Hoe waarschijnlijk is het dat u de koopt? nieuwste James Bond-roman van William Boyd ? Of om de tweede aflevering van . te bekijken de hobbit filmtrilogie wanneer deze in december uitkomt? Of om bij de volgende verkiezingen op Democraat te stemmen?
De kans dat je een bepaald product koopt of een bepaalde mening aanneemt, vormt de kern van een van de grootste problemen in de netwerktheorie: hoe voorspel je of een product, mening of bericht waarschijnlijk viraal gaat.
Aan mogelijke antwoorden geen gebrek. Een van de belangrijke successen van de netwerktheorie is dat ze laat zien hoe informatie zich via een netwerk verspreidt op basis van de connectiviteit van de individuen erin.
En toch moeten marketeers dit idee nog exploiteren op een manier die betrouwbare en herhaalbare resultaten oplevert. De waarheid is dat marketing net zo'n zwarte kunst is als altijd.
Dat zou snel kunnen veranderen dankzij het werk van Xiao Fang en vrienden aan de Universiteit van Utah in Salt Lake City. Tegenwoordig onthullen deze jongens een techniek die de adoptiekans van individuen binnen een netwerk voorspelt en zeggen dat deze veel beter presteert dan eerdere inspanningen.
Ze zeggen dat hun nieuwe techniek marketeers in staat zal stellen hun campagnes effectiever te targeten en boodschappen te verfijnen voor de individuele klanten die op dat specifieke moment waarschijnlijk een nieuwe dienst zullen adopteren.
Eerst wat achtergrond. De standaardmethode voor het simuleren van de manier waarop informatie zich door een netwerk verspreidt, staat bekend als het cascademodel. Dit veronderstelt dat een persoon een stuk informatie ontvangt als een bepaald aantal van zijn of haar naaste buren het ook heeft. Met andere woorden, de adoptiekans is een sociaal effect dat afhangt van de invloed van vrienden, familie en andere naasten.
Deze aanpak heeft veel succes gehad bij het modelleren van de verspreiding van ziekten, mode, virale e-mails enzovoort. Maar netwerkwetenschappers weten dat het verre van perfect is.
Het probleem is dat er veel andere effecten zijn die ook van invloed zijn op het al dan niet adopteren van een idee of het kopen van een product. Een persoon kan bijvoorbeeld eerder geneigd zijn een product te kopen vanwege marketinginspanningen die zich offline op hem of haar richten. Dingen zoals maildrops, billboards, tv-advertenties enzovoort.
In feite zijn deze zogenaamde verstorende effecten zo krachtig dat ze de pogingen van netwerktheoretici tarten om het gedrag van echte individuen op echte netwerken te modelleren.
Het probleem bij het modelleren van het effect van echte marketinginspanningen is dat hun slagingspercentage meestal zo laag is dat het verwaarloosbaar lijkt in een cascademodel. Stel je bijvoorbeeld voor dat een bedrijf informatie over een nieuw product naar al zijn bestaande bedrijven stuurt. De waarheid is dat als een half procent van al deze klanten op het aanbod ingaat, marketeers dit als een enorm succes zouden beschouwen.
Maar in een cascademodel, als een half procent van de vrienden van een persoon een nieuw product koopt, is dat in wezen geen van hen. Dit model voorspelt dus dat niemand het product zal kopen. Het kan gewoon niet omgaan met het kleine maar significante niveau waarop veel marketing plaatsvindt.
Dat is waar het werk van Xiao Fang en co om de hoek komt kijken. Deze jongens hebben een netwerkmodel gemaakt dat rekening houdt met verstorende effecten bij het beoordelen hoe waarschijnlijk het is dat een bepaald individu een idee overneemt of een product koopt. Het houdt specifiek rekening met de lichte vooringenomenheid die offline invloeden, zoals advertentiecampagnes, kunnen hebben.
En Xiao Fang en co zeggen dat het ook werkt. Deze jongens hebben hun nieuwe aanpak getest op een database van 35.000 gsm-klanten die konden kiezen tussen 18 verschillende betalingsplannen.
De database laat zien hoeveel klanten in de loop van een jaar elke dag een nieuw abonnement hebben aangenomen. Dit gebeurde met een bescheiden percentage van ongeveer 0,4 procent.
Dit percentage kan het gevolg zijn van effecten op sociale netwerken, zoals vrienden die elkaar hetzelfde abonnement aanbevelen. Maar het kan ook het resultaat zijn van de eigen marketinginspanningen van het bedrijf, die niet op het netwerk worden vastgelegd.
De taak voor Xiao Fang en co is om te modelleren hoe klanten het nieuwe betalingsplan in kwestie hebben overgenomen. Ze ontdekten dat conventionele cascademodellen in wezen helemaal geen significante opname voorspellen.
Hun nieuwe aanpak was echter aanzienlijk succesvoller. Ze zeggen dat het vermogen om onbekende verstorende effecten in rekening te brengen hen in staat stelt om dat werkelijke opnamepercentage met succes te modelleren, ook al was het slechts 0,4 procent.
Bovendien laat hun model zien welke knooppunten in een netwerk het meest waarschijnlijk worden getipt door offline effecten. Dat is belangrijk omdat het marketeers in staat stelt hun campagnes veel effectiever te targeten en hun succes in realtime te volgen.
De nieuwe aanpak biedt immers de mogelijkheid om gepersonaliseerde berichten te creëren die gericht zijn op specifieke individuen, precies op het moment dat ze het meest kwetsbaar zijn. Bedrijven kunnen effectiever worden in zaadselectie voor virale marketing en de selectie in de loop van de tijd dynamisch uitvoeren, zeggen ze.
Het is natuurlijk één ding om de evolutie van historische gegevens met succes te voorspellen. Het is iets heel anders om de toekomstige evolutie van huidige gegevens te voorspellen. Dat wordt de echte test van dit nieuwe idee. En als het lukt, zullen Xiao Fang en co de virale marketingwereld een pad naar hun deur laten vinden.
Referentie: arxiv.org/abs/1309.6369 : Adoptiekansen voorspellen in sociale netwerken