211service.com
Marketing viral modelado com sucesso por teóricos de rede
Qual é a probabilidade de você comprar o mais recente romance de James Bond de William Boyd ? Ou para assistir a segunda parcela de O Hobbit trilogia de filmes quando for lançado em dezembro? Ou votar no democrata nas próximas eleições?
A probabilidade de você comprar um determinado produto ou adotar uma determinada opinião está no cerne de um dos problemas mais quentes da teoria das redes: como prever se um produto, opinião ou mensagem tem probabilidade de se tornar viral.
Não faltam respostas potenciais. De fato, um dos sucessos importantes da teoria da rede é que ela demonstra como a informação se espalha por meio de uma rede com base na conectividade dos indivíduos dentro dela.
No entanto, os profissionais de marketing ainda precisam explorar essa ideia de uma forma que produza resultados confiáveis e reproduzíveis. A verdade é que o marketing é uma arte negra como sempre.
Isso pode mudar em breve, graças ao trabalho de Xiao Fang e amigos da Universidade de Utah em Salt Lake City. Hoje, esses caras revelam uma técnica que prevê a probabilidade de adoção de indivíduos dentro de uma rede e dizem que supera dramaticamente os esforços anteriores.
Eles dizem que sua nova técnica permitirá que os profissionais de marketing direcionem suas campanhas de forma mais eficaz e ajustem as mensagens para os clientes individuais com maior probabilidade de adotar um novo serviço naquele momento específico.
Primeiro, algumas informações básicas. O método padrão para simular a maneira como as informações se espalham pela rede é conhecido como modelo em cascata. Isso pressupõe que uma pessoa receberá uma informação se um certo número de seus vizinhos mais próximos também a tiver. Em outras palavras, a probabilidade de adoção é um efeito social que depende da influência de amigos, familiares e outras pessoas próximas.
Essa abordagem teve muito sucesso em modelar a propagação de doenças, modas, e-mails virais e assim por diante. Mas os cientistas da rede sabem que está longe de ser perfeito.
O problema é que existem muitos outros efeitos que também influenciam se um indivíduo adota ou não uma ideia ou compra um produto. Por exemplo, um indivíduo pode tornar-se mais propenso a comprar um produto devido aos esforços de marketing que o direcionam offline. Coisas como maildrops, outdoors, anúncios de TV e assim por diante.
Na verdade, esses chamados efeitos de confusão são tão poderosos que desafiam as tentativas dos teóricos da rede de modelar o comportamento de indivíduos reais em redes reais.
O problema de modelar o efeito de esforços reais de marketing é que sua taxa de sucesso é geralmente tão baixa que pode parecer insignificante em um modelo em cascata. Por exemplo, imagine que uma empresa envie informações sobre um novo produto para todas as empresas existentes. A verdade é que, se meio por cento de todos esses clientes aceitarem a oferta, os profissionais de marketing considerariam isso um grande sucesso.
Mas em um modelo em cascata, se meio por cento dos amigos de um indivíduo compram um novo produto, isso é essencialmente nenhum deles. Portanto, esse modelo prevê que ninguém vai comprar o produto. Ela simplesmente não consegue lidar com o nível pequeno, mas significativo, em que ocorre grande parte do marketing.
É aí que entra o trabalho de Xiao Fang e companhia. Esses caras criaram um modelo de rede que leva em conta os efeitos de confusão ao avaliar a probabilidade de um determinado indivíduo adotar uma ideia ou comprar um produto. Isso permite especificamente o leve preconceito que as influências off-line, como as campanhas publicitárias, podem ter.
E Xiao Fang e companhia dizem que funciona também. Esses caras testaram sua nova abordagem em um banco de dados de 35.000 clientes de telefones celulares que puderam escolher entre 18 planos de pagamento diferentes.
O banco de dados mostra quantos clientes adotaram um novo plano a cada dia ao longo de um ano. Isso ocorreu a uma taxa modesta de cerca de 0,4 por cento.
Essa taxa pode ser resultado de efeitos de rede social, como amigos recomendando o mesmo plano um para o outro. Mas também pode ser resultado dos esforços de marketing das próprias empresas, que não estão registrados na rede.
A tarefa de Xiao Fang e companhia é modelar como os clientes adotaram o novo plano de pagamento em questão. Eles descobriram que os modelos convencionais em cascata basicamente falham em prever qualquer absorção significativa.
No entanto, sua nova abordagem foi significativamente mais bem-sucedida. Eles dizem que a capacidade de levar em consideração efeitos de confusão desconhecidos permite modelar essa taxa de aceitação real com sucesso, embora tenha sido de apenas 0,4 por cento.
Além do mais, seu modelo mostra quais nós em uma rede são mais propensos a serem influenciados por efeitos off-line. Isso é importante porque permite que os profissionais de marketing direcionem suas campanhas de forma muito mais eficaz e monitorem seu sucesso em tempo real.
Na verdade, a nova abordagem levanta a perspectiva de criar mensagens personalizadas destinadas a indivíduos específicos exatamente no momento em que eles estão mais vulneráveis. As empresas podem se tornar mais eficazes na seleção de sementes para marketing viral e realizar a seleção dinamicamente ao longo do tempo, dizem eles.
Claro, uma coisa é prever com sucesso a evolução dos dados históricos. Outra completamente diferente é prever a evolução futura dos dados atuais. Esse será o verdadeiro teste desta nova ideia. E, se tiver sucesso, Xiao Fang e companhia farão com que o mundo do marketing viral bata à sua porta.
Ref: arxiv.org/abs/1309.6369 : Prevendo probabilidades de adoção em redes sociais