Media społecznościowe a metody personalizacji i rekomendacji

Media społecznościowe a metody personalizacji i rekomendacji

MiR_Marketing w praktyce_2.qxd
23-05-2013
18:37
Page 24
Marketing w praktyce
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 da-
24
nych1. Bez nich bowiem są w stanie jedynie kierować się intuicją i kreatywnością, która w wielu
przypadkach zawodzi i, co gorsze, prowadzi do
utraty cennych zasobów2.
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).
MARKETING I RYNEK 6/2013
MiR_Marketing w praktyce_2.qxd
23-05-2013
18:53
Page 25
Marketing w praktyce
Rysunek 1. Determinanty rozwoju rynku mediów społecznościowych w Polsce
%
31
29
19
Oszczędności
Wzrost i rozwój
rynku mobilnego
i klasycznego
Internetu
Bezpieczeństwo
10
Coraz większa
ilość danych
7
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 2012.
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
(e-mail, 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 2012.
MARKETING I RYNEK 6/2013
25
MiR_Marketing w praktyce_2.qxd
23-05-2013
18:37
Page 26
Marketing w praktyce
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 danych3.
Bezpieczeństwo danych
gromadzonych przez portale
społecznościowe
— przypadek Facebooka
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-maile, 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 sklepach4. 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 re3 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 2012.
4 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.
26
klam do użytkowników na podstawie najczęściej
przez nich odwiedzanych stron z jednoczesnym wykorzystaniem adresów e-mailowych, 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 osobna5. 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/treści6. 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.:
z dane demograficzne użytkowników: płeć, lokalizacja, narodowość, wiek, zainteresowania, aktywność zawodowa i aktywność w życiu prywatnym,
z dane uwzględniające procesy komunikacji użytkowników, tj. charakter i sposób nawiązywanych kontaktów z innymi członkami sieci,
z 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. 1.
6 P. Bonhard, M.A. Sasse, Knowing Me, Knowing You — Using Profiles
and Social Networking to Improve Recommender Systems, „BT Technology Journal” 2006, No. 3.
MARKETING I RYNEK 6/2013
MiR_Marketing w praktyce_2.qxd
23-05-2013
18:53
Page 27
Marketing w praktyce
Rysunek 3. Wkład poszczególnych portali społecznościowych
w rozwój metod personalizacji i rekomendacji treści
Typ danych
Metodyczne podejście
w analizie danych
Facebook
Dane demograficzne
Metoda kolaboracji filtrującej
Twitter
Dane o zainteresowaniach
Flickr
Dane z kontaktów społecznych
YouTube
Dane dotyczące zaufania
do strony
Blogger
Inne dane
Strony portali
społecznościowych
Metoda analizy zawartości
pozycji
Metoda hybrydowa
Ź r ó d ł o: opracowanie własne.
z 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 podejścia7.
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 użytkowym8.
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
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 ilościowych9.
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. 22–24.
8 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. 47–59.
9 W. Hill, L. Stead, M. Rosenstein, G. Furnas, Recommending and Evaluating Choices in a Virtual Community of Use, CHI 1995, s. 156–178;
G. Adomavicius, A. Tuzhilin, Expert-driven Validation of Rule-Based
User Models in Personalization Applications, „Data Mining and Knowledge Discovery” 2001, No. 2.
MARKETING I RYNEK 6/2013
27
MiR_Marketing w praktyce_2.qxd
23-05-2013
18:37
Page 28
Marketing w praktyce
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
(e-mail) 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 produktów10.
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 użytkowników11.
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. 27.
11 T. Tran, R. Cohen, Hybrid Recommender Systems for Electronic Commerce. In: Knowledge-based Electronic Markets, technical report WS-002004, AAAI Press 2004.
s
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.
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
MARKETING I RYNEK 6/2013