Hvad er dit mærke?

Forskere skabte en algoritme, der med succes forudsagde forbrugernes køb. Algoritmen gjorde brug af data fra forbrugernes daglige aktivitet på sociale medier. Brands kunne bruge dette til at analysere potentielle kunder. Forskernes metode kombinerer kraftfulde statistiske modelleringsteknikker med maskinlæringsbaseret billedgenkendelse.

Lektor Toshihiko Yamasaki og hans team fra Graduate School of Information Science and Technology ved University of Tokyo udforsker nye og interessante måder at gøre brug af data såsom sociale mediedata på. Nogle applikationer, de udvikler, er nyttige for enheder som virksomheder til at forbedre deres effektivitet på forskellige måder, men i særdeleshed i, hvordan de når ud til og påvirker potentielle kunder.

"Jeg stillede to spørgsmål til mit team:'Er det muligt at beregne ligheden mellem forskellige brands baseret på den måde, kunderne interagerer med dem på de sociale medier?' Og, 'Hvis så, kan brands bruge disse oplysninger til at forbedre måden, de markedsfører sig på?'" sagde Yamasaki. "Og med nogen tid, indsats og tålmodighed, de kom tilbage med et enkelt, men sikkert svar:'Ja!'"

Men måden, deres hold udledte dette på, var alt andet end simpel. Den beregningsmæssige analyse af sociale mediedata kaldes ofte minedrift, som udtrykket antyder, er det en monumental og møjsommelig opgave. Af denne grund, forskere inden for dette felt gør brug af forskellige beregningsværktøjer til at analysere sociale medier på måder, som mennesker ikke kan.

"I fortiden, mange virksomheder forbedrede deres marketingstrategier ved at bruge kundeundersøgelser og fremskrivninger baseret på deres salgsdata, " forklarede ledende forsker Yiwei Zhang. "Men, disse er tidskrævende og upræcise. Nu har vi adgang til og ekspertise inden for værktøjer som maskinlæring og komplekse statistiske analyser."

Holdet begyndte sit arbejde med at indsamle offentligt tilgængelige sociale mediedata fra tilhængere af udvalgte mærker. De brugte gennemprøvede billedgenkendelse og maskinlæringsmetoder til at analysere og kategorisere fotos og hashtags relateret til mærkernes følgere. Dette afslørede adfærdsmønstre hos forbrugere over for forskellige mærker. Disse mønstre betød, at forskerne kunne beregne ligheden mellem forskellige eller endda ikke-relaterede mærker.

"Vi vurderede vores foreslåede algoritme i forhold til købshistorik og spørgeskemaer, som stadig er nyttige til at give kontekst til købsinformation, " fortsatte Zhang. "De eksperimentelle resultater viser, at kreditkort- eller pointkortselskaber godt kunne forudsige kundernes tidligere købsadfærd. Vores algoritme kunne præcist forudsige kundernes vilje til at prøve nye mærker."

Denne forskning kan være yderst nyttig til nye promoveringer af mærker, der gør brug af sociale medier netværk. Det kan også bruges af indkøbscentre og indkøbscentre til at planlægge, hvilke butikker de inkluderer, eller for butikkerne selv at vælge, hvilke mærker de vil have. Og forskningen kunne endda hjælpe med at matche brands med egnede sociale medier-influentere for at hjælpe med at annoncere for deres produkter bedre.

"At visualisere det, der ikke har været synligt før, er altid meget interessant, " konkluderede Yamasaki. "Folk siger måske, at fagfolk allerede 'ser' den slags mønstre, men at kunne vise ligheden mellem brands numerisk og objektivt er en ny innovation. Vores algoritme er beviseligt mere effektiv end at bedømme disse ting baseret på intuition alene."