Viral marknadsföring framgångsrikt modellerad av nätverksteoretiker

Hur troligt är det att du köper senaste James Bond-roman av William Boyd ? Eller för att se den andra delen av Hobbiten filmtrilogi när den släpps i december? Eller att rösta på demokrat i nästa val?

Sannolikheten att du kommer att köpa en viss produkt eller anta en viss åsikt ligger i hjärtat av ett av de hetaste problemen inom nätverksteorin: hur man förutsäger om en produkt, åsikt eller ett meddelande sannolikt kommer att bli viralt.

Det råder ingen brist på potentiella svar. En av de viktiga framgångarna med nätverksteorin är faktiskt att den visar hur information sprids genom ett nätverk baserat på anslutningen mellan individerna inom det.

Och ändå har marknadsförare ännu inte utnyttjat denna idé på ett sätt som ger tillförlitliga och repeterbara resultat. Sanningen är att marknadsföring är lika mycket av en svartkonst som någonsin.

Det kan snart förändras tack vare Xiao Fangs och kompisars arbete vid University of Utah i Salt Lake City. Idag avslöjar dessa killar en teknik som förutsäger adoptionssannolikheten för individer inom ett nätverk och säger att den dramatiskt överträffar tidigare ansträngningar.

De säger att deras nya teknik kommer att göra det möjligt för marknadsförare att rikta in sina kampanjer mer effektivt och att finjustera budskapen för de enskilda kunder som mest sannolikt kommer att anta en ny tjänst vid det specifika ögonblicket.

Först lite bakgrund. Standardmetoden för att simulera hur information sprids genom ett nätverk är känd som kaskadmodellen. Detta förutsätter att en person får en uppgift om ett visst antal av hans eller hennes närmaste grannar också har det. Sannolikheten för adoption är med andra ord en social effekt som beror på inflytande från vänner, familj och andra närstående.

Detta tillvägagångssätt har haft stor framgång när det gäller att modellera spridningen av sjukdomar, mode, virala e-postmeddelanden och så vidare. Men nätverksforskare vet att det är långt ifrån perfekt.

Problemet är att det finns många andra effekter som också påverkar om en individ anammar en idé eller köper en produkt. Till exempel kan en individ bli mer benägen att köpa en produkt på grund av marknadsföringsinsatser som riktar sig mot honom eller henne offline. Saker som postdroppar, skyltar, TV-reklam och så vidare.

Faktum är att dessa så kallade förvirrande effekter är så kraftfulla att de trotsar nätverksteoretikers försök att modellera verkliga individers beteende på verkliga nätverk.

Problemet med att modellera effekten av verkliga marknadsföringsinsatser är att deras framgångsfrekvens vanligtvis är så låg att den kan verka försumbar i en kaskadmodell. Tänk dig till exempel att ett företag skickar information om en ny produkt till alla sina befintliga företag. Sanningen är att om en halv procent av alla dessa kunder accepterar erbjudandet, skulle marknadsförare betrakta detta som en enorm framgång.

Men i en kaskadmodell, om en halv procent av en individs vänner köper en ny produkt, är det i princip ingen av dem. Så den här modellen förutspår att ingen kommer att köpa produkten. Det kan helt enkelt inte hantera den lilla men betydande nivå där mycket marknadsföring pågår.

Det är där Xiao Fang och cos arbete kommer in. De här killarna har skapat en nätverksmodell som tar hänsyn till förvirrande effekter när de bedömer hur troligt det är att en viss individ kommer att anta en idé eller köpa en produkt. Det tillåter specifikt den lilla bias som offline-påverkan, som reklamkampanjer, kan ha.

Och Xiao Fang och co säger att det också fungerar. Dessa killar har testat sitt nya tillvägagångssätt på en databas med 35 000 mobiltelefonkunder som kunde välja mellan 18 olika betalningsplaner.

Databasen visar hur många kunder som antagit en ny plan varje dag under ett år. Detta skedde i den blygsamma takten på cirka 0,4 procent.

Denna frekvens kan vara ett resultat av sociala nätverkseffekter som att vänner rekommenderar samma plan till varandra. Men det kan också vara resultatet av företagens egna marknadsföringsinsatser, som inte registreras i nätverket.

Uppgiften för Xiao Fang och co är att modellera hur kunderna antog den nya betalningsplanen i fråga. De fann att konventionella kaskadmodeller i huvudsak misslyckas med att förutsäga någon betydande användning alls.

Deras nya tillvägagångssätt var dock betydligt mer framgångsrikt. De säger att förmågan att redogöra för okända förvirrande effekter gör att de kan modellera den faktiska utnyttjandegraden framgångsrikt, även om den bara var 0,4 procent.

Dessutom visar deras modell vilka noder i ett nätverk som mest sannolikt kommer att tippas av offlineeffekter. Det är viktigt eftersom det gör det möjligt för marknadsförare att rikta in sina kampanjer mycket mer effektivt och att övervaka deras framgång i realtid.

Det nya tillvägagångssättet höjer faktiskt möjligheten att skapa personliga meddelanden riktade till specifika individer i exakt det ögonblick då de är som mest sårbara. Företag kan bli mer effektiva i fröval för viral marknadsföring och utföra urvalet dynamiskt över tid, säger de.

Naturligtvis är det en sak att framgångsrikt förutsäga utvecklingen av historiska data. Det är helt annat att förutsäga den framtida utvecklingen av nuvarande data. Det blir det verkliga testet på denna nya idé. Och om det lyckas kommer Xiao Fang och co att få den virala marknadsföringsvärlden att slå en väg till deras dörr.

Ref: arxiv.org/abs/1309.6369 : Förutsäga adoptionssannolikheter i sociala nätverk

Dölj