Media społecznościowe a metody personalizacji i rekomendacji treści reklamowych i oferty produktowej

Transkrypt

1 Piotr Tarka Katedra Badań Rynku i Usług, Uniwersytet Ekonomiczny w Poznaniu Media społecznościowe a metody personalizacji i rekomendacji treści reklamowych i oferty produktowej Rozwój mediów społecznościowych w świetle możliwości przetwarzania danych na rynku e-commerce Globalizacja rynków, zmniejszona dynamika rozwoju przedsiębiorstw, spowolniony rozwój wymiany handlowej czy zmiany społeczno-kulturowe sprawiają, że coraz więcej firm poszukuje dla siebie na rynku nowej przestrzeni działania. Co więcej, ich poziom konkurencyjności jest coraz częściej uwarunkowany wysokiej jakości danymi, a za ich pośrednictwem użytecznymi informacjami kształtującymi trafne decyzje. Nie ulega też najmniejszej wątpliwości, że zmiany technologiczne pociągają za sobą zmiany w życiu społecznym, które jednocześnie kształtują nowe warunki ekonomicznej sprawności działania firm. Cyfryzacja przestrzeni życiowej w społeczeństwie wykreowała nieznane jak dotąd nowe trendy i style życia społecznego. Z jednej strony towarzyszy jej obfitość oraz różnorodność danych, z drugiej zaś wymusza ona na firmach skuteczne wypracowywanie narzędzi do zarządzania i przetwarzania danymi. Te podmioty, które decydują się na wzmożoną aktywność rynkową i aspirują do wysokiego poziomu wzrostu i rozwoju własnego biznesu na rynku e-commerce, muszą brać pod uwagę wiele działań mających na celu zdobywanie coraz to lepszych i bardziej wartościowych danych 1. Bez nich bowiem są w stanie jedynie kierować się intuicją i kreatywnością, która w wielu przypadkach zawodzi i, co gorsze, prowadzi do utraty cennych zasobów 2. Postęp w technologii informacyjno-informatycznej, a wraz z nim pojawienie się Internetu i nowych nośników informacji, typu komputery, tablety, smartfony itp., przyczynił się do otwarcia nowych możliwości komunikacji społecznej. Dla wielu firm rewolucja informacyjna, jaka dokonała się na rynku e-commerce, i pojawienie się serwisów społecznościowych (typu Facebook, Twitter czy YouTube) zrodziła nowe źródła pozyskiwania danych o użytkownikach i tym samym nowe możliwości analitycznego spojrzenia na konsumenta. Sama istota cyfrowego biznesu obejmuje wszystkie procesy przeprowadzane elektronicznie. Nie polega ona wyłącznie na przeprowadzeniu elektronicznej transakcji, ale również informatyzacji możliwie wszystkich procesów prowadzących do takiej transakcji. Oznacza to m.in. wymianę informacji i dokumentów między odbiorcami a producentami i dystrybutorami produktów i usług, zawieranie kontraktów i obsługę związanych z nimi płatności, komputerowo wspomagane projektowanie i wytwarzanie wyrobów, świadczenie usług cyfrowych, logistykę, wyszukiwanie informacji itp. 1 Wartość globalnego rynku e-commerce, czyli handlu w Internecie, przez ostatnie 5 lat rosła średnio o 13% rocznie. Na tym tle wyróżnia się polski rynek e-commerce, który wrósł w 2011 r. o ponad 32% do niemal 18 mld zł, prognozy oscylują zaś wokół 24%. 2 Rewolucja u bram 10 idei, które sprawiają, że nic już nie będzie jak dawniej, Scientific American 2012, nr 1 (245). 24

2 Rysunek 1. Determinanty rozwoju rynku mediów społecznościowych w Polsce % 31 Oszczędności 29 Wzrost i rozwój rynku mobilnego i klasycznego Internetu 19 Bezpieczeństwo 10 7 Coraz większa ilość danych Regulacje prawne 4 Przepustowość sieci Ź r ó d ł o: opracowanie na podstawie raportu Information Management and Analytics Consulting Marketplace: Key Trends, Profiles and Forecasts, Kennedy Consulting Research and Advisory Rysunek 2. Różnorodne formy danych Dane numeryczne (np. tabele, rekordy) i tekstowe Dane audiowizualne (np. ludzki język, kamery, mikrofony, aparaty fotograficzne, fotokomórki) Dane z mediów społecznościowych ( , blogi itp.) Dane z systemów komputerowych (np. cookies) i przepływów użytkowników po różnych stronach internetowych Dane przestrzenne (mapy, systemy nawigacyjne GPS) Dane generowane przez inne urządzenia (bankomaty, skanery point of sales, telefony komórkowe smartfony itp.) Odpowiedzi wielokrotne. Ź r ó d ł o: opracowanie na podstawie raportu Big Data Analytics Trends TDWI Best Practices Report, TDWI Research group

3 Niestety, media społecznościowe podnoszą bardzo wysoko poprzeczkę utrzymania w firmach umiejętności analitycznych u ludzi w sferze optymalnego łączenia różnych zbiorów danych (tj. ich logicznego przełożenia na język użytkowników). Powiększają także coraz bardziej potrzeby inwestycyjne firm, wynikające z modernizacji lub zakupu nowoczesnych technologii, tj. systemów informacyjnych, hurtowni baz danych czy oprogramowania do analizy danych 3. Bezpieczeństwo danych gromadzonych przez portale społecznościowe przypadek Facebooka 3 P. Tarka, Zastosowanie predykcyjnego modelu analitycznego w doskonaleniu działań marketingowych firm, Marketing i Rynek 2012, nr 2; Big Data Analytics Trends TDWI Best Practices Report, TDWI Research group Niektóre nowe strategie reklamowe powstające w wyniku zaawansowanych metod przetwarzania danych już przynoszą owoce. Internetowy sklep Shoebuy, należący do grupy IAC/InterActive, biorąc udział w teście, był w stanie pokazać reklamy użytkownikom na stronie Facebooka na podstawie tego, czego szukają oni gdzie indziej w sieci. Ingerencja w zbyt szeroki zakres danych demograficzno-psychograficznych przez media społecznościowe może budzić niekiedy niepokój. Pozostaje także nierozwiązany problem zapewnienia bezpieczeństwa, a tym samym zachowania wystarczającego systemu ochrony prywatności danych osób, które te dane dostarczają. Na przykład na portalu społecznościowym Facebook, możemy uzyskać dostęp do danych personalnych, takich jak e, komentarze, preferencje produktowe, osobiste fotografie itp. Facebook ma dostęp do wielu danych i jest w stanie zaprojektować eksperymenty analityczne z uwzględnieniem blisko 900 mln użytkowników. Oczywiście firma nie może udostępniać danych firmom zewnętrznym na temat pojedynczych użytkowników portalu. Stąd te, które współpracują z Facebookiem, z teoretycznego punktu widzenia mogą się jedynie opierać na analizie danych ogółem. W praktyce jednak eksperymenty, które przeprowadza Facebook w celu zwiększenia poziomu skuteczności działań marketingowych firm zewnętrznych (zlecających im swoje badania marketingowe), wkraczają w sferę anonimowości jednostek. Dotyczy to zwłaszcza pozycjonowania reklam, które pojawiają się na Facebooku i które mają nakłaniać poszczególnych użytkowników do kupowania większej liczby produktów w realnych sklepach 4. Oczywiście treść tych reklam dociera również poprzez urządzenia mobilne smartfony. Tym samym Facebook, jako dostawca informacji, zezwala (świadomie lub nieświadomie) innym firmom na ukierunkowywanie wyprofilowanych reklam do użytkowników na podstawie najczęściej przez nich odwiedzanych stron z jednoczesnym wykorzystaniem adresów owych, fotografii, komentarzy zamieszczanych bezpośrednio na osobistych profilach. Informacje takie pozwalają firmom zewnętrznym nie tylko na poznanie ogólnego profilu grupy użytkowników, ale także umożliwiają (na podstawie tych profili) dopasowywanie poszczególnych ofert do każdego użytkownika z osobna 5. Bardzo podobny kontekst wykorzystania danych został wprowadzony przez firmę Google, która projektując przeglądarkę opartą na wyborach wyszukiwania dokonywanych przez ludzi, daje wielu zewnętrznym firmom możliwości zamieszczania reklam tuż pod bezpośrednim adresem danego linku. Dane z portali społecznościowych a metody rekomendacji i personalizacji treści w Internecie Przedstawione powyżej formy dopasowania treści reklamowych w wielu firmach (np. w branży odzieżowej czy usług rozrywkowych, jakie kieruje się bezpośrednio do użytkowników Internetu) nie byłyby w ogóle możliwe bez udziału mediów elektronicznych, tj. portali społecznościowych, takich jak Facebook, Twitter, Flickr, YouTube czy Blogger, i prowadzonych przez nie prac badawczych w sferze rozwoju metod analitycznych związanych z personalizacją i rekomendacją formułowanych przekazów/treści 6. Każdy z portali, konstruując swój optymalny system rekomendacji i personalizacji (rysunek 3), musi uwzględniać specyfikę własnej domeny, zapotrzebowanie informacyjne i charakter danych, które pozyskuje drogą pośrednią (często bez udziału i świadomości użytkowników) lub bezpośrednio, z ich aktywnym udziałem. Zakres danych, które może w tym wypadku zgromadzić portal społecznościowy, obejmuje np.: dane demograficzne użytkowników: płeć, lokalizacja, narodowość, wiek, zainteresowania, aktywność zawodowa i aktywność w życiu prywatnym, dane uwzględniające procesy komunikacji użytkowników, tj. charakter i sposób nawiązywanych kontaktów z innymi członkami sieci, dane opisujące stopień zaufania i odzwierciedlające zakres otwartości każdego z użytkowników w przekazywaniu poprzez stronę osobistych informacji na swój temat, 5 R. Girardi, L. B. Marinho, A Domain Model of Web Recommender Systems Based on Usage Mining and Collaborative Filtering, Requirements Engineering Journal 2006, No P. Bonhard, M.A. Sasse, Knowing Me, Knowing You Using Profiles and Social Networking to Improve Recommender Systems, BT Technology Journal 2006, No

4 Rysunek 3. Wkład poszczególnych portali społecznościowych w rozwój metod personalizacji i rekomendacji treści Strony portali społecznościowych Typ danych Metodyczne podejście w analizie danych Facebook Dane demograficzne Metoda kolaboracji filtrującej Twitter Dane o zainteresowaniach Flickr Dane z kontaktów społecznych Metoda analizy zawartości pozycji YouTube Dane dotyczące zaufania do strony Blogger Inne dane Metoda hybrydowa Ź r ó d ł o: opracowanie własne. dane z nawigacji po stronie, np. czas odwiedzania stron, liczba odsłon, kolejność wyboru poszczególnych kategorii znajdujących się na stronie. W zależności od zakresu danych do dyspozycji firmy mogą dokonywać wyboru odpowiedniej metody personalizacji i rekomendacji treści reklam lub produktów. Na ogół jednak mają do dyspozycji trzy podejścia 7. I tak, w ramach podejścia opartego na filtracji kolaborującej (collaborative filtering) firmy rekomendują użytkownikowi potencjalnie interesujące go treści z reklam, tudzież interesujące go produkty w efekcie wcześniejszych ocen podanych przez grupę innych użytkowników odwiedzających stronę. Dla przykładu osoby kupujące produkty w sklepie Amazon mają szansę dokonać zakupu produktów o podobnym znaczeniu użytkowym 8. Analogiczna sytuacja występuje na portalach społecznościowych, na których oceniane są różne kategorie filmów. Oceny wcześniejszych użytkowników pozwalają nowym użytkownikom serwisu na ustalenie własnych preferencji oglądanych filmów. Niestety wadą systemu opartego na filtracji kolaborującej jest parametryzacja ocen wydawanych przez 7 M. Balabanovic, Y. Shoham, Fab: Content-based, Collaborative Recommendation, Communications of the ACM 1997, No. 3; Recommender Systems, Encyclopedia of Machine Learning 2010, s G. Linden, B. Smith, J. York, Amazon.com Recommendations, IEEE Internet Computing 2003, January February; B. Marlin, Modeling User Rating Profiles for Collaborative Filtering, The 17th Annual Conference on Neural Information Processing Systems (NIPS 2003), s użytkowników. Dlatego też, aby możliwa była jakakolwiek rekomendacja produktu, potrzebny jest aktywny udział użytkownika odwiedzającego dany portal, a zwłaszcza wydana przez niego rzeczywista (niezafałszowana) ocena produktu/kategorii tematycznej na wyznaczonej przez administratora portalu skali pomiarowej. Dopiero sumaryczne ujęcie wszystkich ocen daje firmie podstawę do wypracowania algorytmu rekomendacji i personalizacji pozostałych (o zbliżonych cechach) produktów lub treści w sieci. Portale społecznościowe, które zdecydowały się na tego rodzaju rozwiązanie, to m.in. Facebook, Twitter czy Blogger. I tak, na Facebooku użytkownicy deklarując swoje zainteresowania poprzez ciągły proces uaktualniania osobistego profilu, łączą się z użytkownikami innych grup i oceniają odwiedzane strony oraz znajdujące się na nich produkty, wydarzenia społeczno-kulturalne itp. Użytkownik, który łączy się poprzez swój osobisty profil ze stroną (fanpagem) firmy Levi s i poddaje ocenie daną markę spodni, w istocie rzeczy odsłania swoje preferencje wobec tego produktu. Ten sam proces możemy również prześledzić na stronie internetowej Twittera z tą jednakże różnicą, że w analizie preferencji użytkowników wobec marki (Levi s) stosuje się metodę analizy danych jakościowych, a nie ilościowych 9. 9 W. Hill, L. Stead, M. Rosenstein, G. Furnas, Recommending and Evaluating Choices in a Virtual Community of Use, CHI 1995, s ; G. Adomavicius, A. Tuzhilin, Expert-driven Validation of Rule-Based User Models in Personalization Applications, Data Mining and Knowledge Discovery 2001, No

5 Drugim alternatywnym podejściem w metodach rekomendacji oraz personalizacji treści/produktów jest podejście oparte na analizie zawartości poszczególnych profili użytkowników oraz analizie atrybutów produktów umieszczonych na stronie (content-based recommending). Skuteczność tej metody wymaga jednak, aby produkty posiadały określone atrybuty oraz zawierały interesujące z punktu widzenia użytkownika określone treści opisowe i wizualne. W analizie profili użytkowników rozpatrywane są przede wszystkim preferencje, np. ulubione strony oraz grupy, do których użytkownik może należeć w ramach założonego konta na Facebooku czy Twitterze. Aktywność użytkowników, wyrażana w formie przesyłanej wiadomości tekstowej ( ) lub dodania komentarza (pozytywnego bądź negatywnego), jest odnotowywana w bazie danych firmy, co daje wszelkie podstawy do stworzenia właściwego algorytmu rekomendacji i personalizacji treści komunikatów lub produktów 10. Ostatnia, trzecia grupa metod personalizacji i rekomendacji treści to metody hybrydowe, które łączą w sobie dwa omówione wcześniej podejścia. W metodach hybrydowych występują te same grupy odniesienia użytkowników, ale zmienia się (tzn. ulega poszerzeniu) liczba i zakres źródeł informacyjnych, na których firma przeprowadza operacje analityczne. W efekcie otrzymuje ona pełniejsze spektrum rozpoznania preferencji, upodobań, zachowań użytkowników 11. Podsumowanie Media społecznościowe dzięki Internetowi niewątpliwie poszerzają zakres możliwości operacyjnego działania wielu firm w sferze handlu elektronicznego, 10 M. Pazzani, D. Billsus, Learning and Revising User Profiles. The Identification of Interesting Web Sites, Machine Learning 1997, Vol T. Tran, R. Cohen, Hybrid Recommender Systems for Electronic Commerce. In: Knowledge-based Electronic Markets, technical report WS , AAAI Press w tym oddziaływania na poszczególnych użytkowników (konsumentów) sieci. Rozwój nowych technologii pomaga im stopniowo transferować swój główny obszar działalności (prowadzonej dotychczas w tradycyjnych warunkach rynkowych) do nowej przestrzeni rynku wirtualnego. Jednakże przejście to jest obwarowane licznymi wymogami, jakie firmy muszą spełnić, aby mogły wypracować skuteczny model komunikacji i sprzedaży swoich produktów w Internecie. Co więcej, właściwe przemieszczanie się w sieci internetowej wymaga odpowiedniej wiedzy w zakresie rozpoznawania właściwych zachowań społecznych. Potrzebna jest także specjalistyczna wiedza analityczna (np. w zakresie znajomości metod personalizacji i rekomendacji treści oraz produktów) w celu trafnej analizy i przewidywania tych zachowań. Niemałą rolę odgrywają też inwestycje w nowe oprogramowanie, bazy danych, systemy informacyjne, dzięki którym obserwacje tego typu są w ogóle możliwe do przeprowadzenia. Faktem też jest, że zmiany cywilizacyjne w społeczeństwach, kreując nowe media, portale komunikacji międzyludzkiej, stworzyły ogromne możliwości wymiany informacji, które mogą być z powodzeniem wykorzystane w strategiach rynkowych firm i planowaniu programów marketingu-mix w Internecie, pod warunkiem że w firmach będą przestrzegane etyczne zasady wykorzystania informacji na podstawie obiektywnych standardów przetwarzania danych i nienaruszania prywatności indywidualnych użytkowników (konsumentów) w sieci. Oczywiście im bardziej rynek ten będzie ulegał atomizacji, a konsumentów będzie się obsługiwać indywidualnie (a taka niewątpliwie sytuacja ma miejsce obecnie w Internecie), tym bardziej firmy będą potrzebować innowacyjnych narzędzi do analizy zróżnicowanych grup konsumentów, poprzez które będą w stanie nie tylko się do nich bardziej zbliżyć, ale też wypracować wobec nich spersonalizowaną ofertę produktową czy treść komunikatu. Pozostaje jednak (jak już nadmieniono) dylemat etyczny dotyczących tego, w jakim stopniu firmy mogą prześwietlać swoich odbiorców. s UMMARY Social media and personalization and recommendation methods on advertising content and product offerings In hereby article author discusses the functionality of social media and its methods used in personalization and recommendation of advertising content and product offerings. The first section highlights the growing value of digital data and information in the context of decision making due to ongoing changes in the macro environment. Then the genesis and development of the social media was described as well as their capabilities in the field of data processing and generated useful information for business purposes. As the example, a Facebook company was presented. Finally there were discussed in detail three main analytical methods (the personalization and recommendation) used by companies operating in social media network. 28