книги / Цифровая экономика в социальных сетях

Маркетинговые коммуникации выполняют несколько функций211:

1.Помогают организациям повысить ценность своих товаров или услуг. Маркетинговые коммуникации могут информировать потенциальных потребителей о наличии товаров, их доступности и сервисного обслуживания, функциях и преимуществах. Более того, организации применяют маркетинговые коммуникации не только для привлечения потенциальных клиентов, но и для улучшения отношений с существующими клиентами, для получения обратной связи.

2.Подчеркивают атрибуты поставщиков услуг и товаров.

3.Описывают преимущества по результатам потребления товаров и услуг.

4.Используют метафоры для передачи ценности потре-

бителю.

5. Облегчают вовлечение потребителей в производство

ипроцесс использования товара.

6.Помогают потребителям оценивать предложения услуг

иразличать предложения поставщиков.

7.Определяют подходящее время и место стимулирования сбыта.

Важно применять комплексный подход маркетинговых коммуникаций и учитывать тренды: использование Интернета для взаимодействия с клиентами в социальных сетях и применения интернет-маркетинга как набора методов, которые применяются в сети Интернет для продвижения или передачи коммуникаций о продукте и услугах компании потенциальным покупателям или целевой аудитории. Онлайн-маркетинговые коммуникации стали важными в последнее десятилетие, так как информационные и коммуникационные технологии распростра-

211 Purcarea V.L., Gheorghe I.R., Gheorghe C.M. Uncovering the Online Marketing Mix Communication for Health Care Services // Procedia Economics and Finance. – 2015. – Vol. 26. – Р. 1020–1025.

131

нились среди широкой общественности. Онлайн-маркетинговые коммуникации в результате всеобщей доступности стали обходится дешевле традиционных средств.

Поскольку использование информационных и коммуникационных технологий сильно влияет на способ работы предприятий, информация передается деловым партнерам, организуется внутреннее общение, а клиенты также общаются между собой. Кроме того, учитывая возможности сегментирования потребителей, в сети появляется гендерное сегментирование пользователей в онлайн-среде, происходит взаимодействие пользователя с различными маркетинговыми стимулами. В маркетинговых исследованиях в целом и в моделировании поведения потребителей в частности при изучении контрольных переменных учитываются социально-демографические характеристики потребителей, где пол является ключевой переменной при сегментации.

Социальные сети являются важной составляющей при выстраивании онлайн-коммуникаций с потенциальными и существующими клиентами. S. Roy212 в своей работе отмечает, что анализ социальных сетей показывает, какие группы связаны между собой, а также раскрывает общие атрибуты, по которым можно проводить сегментирование, а затем адресно по атрибутам выстраивать коммуникации. Измерение связей и взаимодействий между людьми, группами, организациями и другими связанными с ними субъектами очень важно в маркетинговых коммуникациях и является предметом междисциплинарных исследова-

ний. Социальные сети, такие как Twitter, Facebook, LinkedIn,

имеют очень большой размер с миллионами вершин и миллиардами ребер, и чтобы собрать значимую информацию из этих плотно связанных графов и огромного объема данных, важно найти правильную топологию сети, а также проанализировать

212 Dey P., Roy S. Social network analysis // Advanced Methods for Complex Network Analysis. – IGI Global, 2016. – Р. 237–265.

132

различные параметры сети. N.S. Faber213 в своей статье отмечает, что социологи все чаще признают потенциал анализа социальных сетей, который объясняет поведение, в зависимости от его социальной структуры. Анализ социальных сетей является ценным инструментом для исследования некоторых центральных механизмов, лежащих в основе внутригруппового и межгруппового поведения. В работе подчеркивается общая актуальность данного научного подхода и описываются предпосылки, генерация и применение кросс-секционных, а также сетевых статистических данных. При этом авторы стремятся предоставить общее введение для исследователей, новых для этого подхода, демонстрируя потенциал и ограничения анализа социальных сетей для различных областей. Shih-Chih Chen & ChiehPeng Lin214 в своей работе утверждают, что маркетинговые кампании в социальных сетях влияют на удовлетворение пользователей через воспринимаемую ценность и через социальную идентификацию. Как раз социальная идентификация по атрибутам пользователей будет проанализирована в исследовании.

Серьезным барьером маркетинговых коммуникаций в социальных сетях является спам. Отношения людей к конфиденциальности в Интернете и мер, принятых чтобы защитить себя от спама, трансформируются в закрытость социальных сетей. Это проявляется в интроверсии аккаунтов пользователей, и рекламодатели могут быть не способными обнаружить целевую аудиторию ввиду отсутствия нужных атрибутов аккаунтов. Данное исследование относится к анализу данных атрибутов пользователей социальной сети VK, именно тех пользователей,

213Wölfer R., Faber N.S., Hewstone M. Social network analysis in the science of groups: Cross-sectional and longitudinal applications for studying intra-and intergroup behavior // Group Dynamics: Theory, Research, and Practice. – 2015. – Vol. 19, № 1. – Р. 45.

214Shih-Chih Chen, Chieh-Peng Lin. Understanding the effect of social media marketing activities: The mediation of social identification, perceived value, and satisfaction. Technological Forecasting and Social Change. – 2019. – Vol. 140. – Р. 22–32.

133

которые сами имеют непосредственное отношение к onlinemarketing & social media marketing. Будем изучать их атрибуты.

Методы исследования

Выборка (n) – 52 614 пользователей (пересечение аудито-

рий из двух сообществ для SMM: Cerebro Trager и Target Hunter). Даты сбора аудитории: август-сентябрь 2019 года.

Вкачестве базы исследования выбрали социальную сеть «ВКонтакте» (международное название: VK) – российская социальная сеть.

Получение данных о связях будет происходить посредством API VK – это интерфейс, который позволяет получать информацию из базы данных vk.com с помощью http-запросов к специальному серверу.

Висследовании применяем библиотеки Python: pymorphy2 для лемматизации слов. Это процесс приведе-

ния словоформы к лемме – ее нормальной (словарной) форме; NumPy – это однородный многомерный массив; WmdSimilarity – определение сходства документов.

В качестве ключевых слов, которые будут задавать тематику выбрали следующие слова: «маркетинг», «интернет», SMM, SEO, «контекстная», «реклама», «яндекс», «реклама», «гугл», google, yandex, «продвижение», «таргетинг», «таргет», cerebro, «таргетированная»,«тергетолог»,«маркетолог»,«оптимизация»(inRussian).

Импортируем все необходимые библиотеки. Далее делаем служебную процедуру, подготавливающую список слов для лемметизатора. Определяем процедуру, которая выбирает из поданного списка существительные и латиницу и приводит их к нормальной форме (лемматизация). Далее проверяет наличие этого слова в словаре обученной предварительно модели

RUS_VEC.

Процедура для подсчета точности при классификации на несколько классов.

Читаем файл с данными и отсекаем записи пользователей, которые логинились не позже чем 60 days before today. Посколь-

134

ку пользователи, которые редко заходят в социальную сеть, могут быть неактивны в своих намерениях, а также нерепрезентативны для исследования.

После фильтраций пользователей получили n = 52 614. У которых пользователей следующие заполненные значения атрибутов: about – 10,8 %, activities – 15,6 %, bdate – 75,7 %, books – 9,4 %, career_group_id – 14,9 %, career_position – 9,9 %, city – 82,6 %, domain – 100,0 %, education – 0,0 %, exports – 0,0 %, faculty – 45,1 %, followers_count – 87,5 %, friend_status – 100,0%,games–5,6%,home_town –29,8%,id–100,0%,interests – 15,5 %, military – 0,0 %, occupation – 68,0 %, personal_alcohol – 29,7 %, personal_langs – 34,6 %, personal_life_main – 29,6 %, personal_people_main – 29,7%, personal_political – 10,1%, personal_ religions – 9,6 %, personal_smoking – 29,8 %, relation – 45,1 %, sex – 100,0 %, site – 25,7 %, university – 45,1 %.

Выделяем интересующие нас поля: bdate, university, faculty, followers_count, personal_langs, city, occupation, relation, sex, interests, activities. В качестве ключевого поля делаем interests (a) & activities (b).

Обрабатываем оставшиеся поля: заменяем NaN, категорируем. Импортируем предварительно обученную модель.

Формируем паттерн, описывающий близость к интересующей области interests, затем тот же паттерн формируем для области activities.

Формируем столбец distance расстояния от паттерна до интересов каждого пользователя. Чем меньше число, тем ближе интересы пользователя к интернет-маркетингу.

Результаты и их обсуждение

По результатам анализа данных выявили следующее: число «интернет-маркетологов» или специалистов в сфере информационных технологий, как и ожидалось, относительно невелико. Основное количество пользователей имеет интересы довольно далекие от интернет-маркетинга и SEO.

135

Определимся, каких пользователей будем относить к группе «интернет-маркетологов». Значение расстояния 1,00 будем считать граничным (рис. 3.1). Составим социальный портрет пользователя с интересами, близкими к интернет-маркетингу, и с видом деятельности, близкой к интернет-маркетингу. Определим, сколько внашейвыборкетакихпользователей.

а

б

Рис. 3.1. Распределение пользователей по дальности расстояния от сферы интернет-маркетинга и search engine optimization:

а – по указанным интересам; б – по деятельности

По interests таких оказывается 1414 человек, или 17 % от общего количества пользователей в выборке (см. рис. 3.1, a), а по activities составляет 1700 человек, или почти 21 % от обще-

136

го количества пользователей во второй выборке по видам деятельности (см. рис. 3.1, б). Посмотрим теперь, кого больше среди специалистов в сфере интернет-маркетинга и search engine optimization, мужчин или женщин (рис. 3.2).

а

б

Рис. 3.2. Гендерные различия: а – по указанным interests; б – по указанным видам деятельности

Видно, что среди интернет-маркетологов и SEO-специа- листов по отображаемым interests (см. рис. 3.2, a) преобладают мужчины (575 F и 839 M), тогда как гендерный состав невыраженной группы примерно одинаков (3257 F и 3491 M). На рис. 3.2, б, по видам деятельности также преобладают мужчины

137

(651 F и 1053 M), а гендерный состав невыраженной группы примерно одинаков (3162 F и 3334 M).

Определим средний возраст в группах. Средний возраст для нашей выборки interests меньше на три года (1988 года рождения). Аналогичный результат дала выборка по видам деятельности. При этом нужно принимать во внимание, что далеко не все участники как той, так и другой группы указали возраст вообще.

Определим, каково число followers для выборки interests (рис. 3.3, a) и выборки по видам деятельности (рис. 3.3, б).

а

б

Рис. 3.3. Распределение количества followers:

а – выборки interests; б – выборки по видам деятельности

138

Число followers в двух выборках (371 (см. рис. 3.3, a); 418(см. рис. 3.3, б)) значительно ниже, чем у пользователей с дру-

гими интересами (не IT, не online marketing = 615 (см. рис. 3.3, a); 595 (см. рис. 3.3, б)).

а

б

Рис. 3.4. Распределение выборок по образованию: а – interests; б – по виду деятельности

Определим, как выглядит состав групп в разрезе образования (рис. 3.4):

(a, 0): not specified = 1159; pupils = 14; students = 2101; workers = 3474;

139

(a, 1): not specified = 359; pupils = 10; students = 460; workers = 585;

(б, 0): not specified = 1083; pupils = 7; students = 1812; workers = 3594;

(б, 1): not specified = 419; pupils = 10; students = 538; workers = 737.

По результатам анализа выборок на предмет указания языка речи выявили следующие средние значения: (a, 0) = 1,63; (a, 1) = 1,47; (б, 0) = 1,59; (б, 1) = 1,54 (рис. 3.5).

а

б

Рис. 3.5. Количество заявленных языков: а – interests; б – по видам деятельности

140