Marketing virale modellato con successo dai teorici della rete

Quante probabilità hai di acquistare il? ultimo romanzo di James Bond di William Boyd ? O per guardare la seconda puntata di Lo Hobbit trilogia di film quando uscirà a dicembre? O votare democratico alle prossime elezioni?

La probabilità che tu acquisti un determinato prodotto o adotti una certa opinione è al centro di uno dei problemi più scottanti della teoria delle reti: come prevedere se un prodotto, un'opinione o un messaggio è probabile che diventi virale.

Non mancano le potenziali risposte. In effetti, uno degli importanti successi della teoria delle reti è che dimostra come l'informazione si diffonda attraverso una rete basata sulla connettività degli individui al suo interno.

Eppure i professionisti del marketing devono ancora sfruttare questa idea in modo da produrre risultati affidabili e ripetibili. La verità è che il marketing è più che mai un'arte nera.

Questo potrebbe presto cambiare grazie al lavoro di Xiao Fang e dei suoi amici all'Università dello Utah a Salt Lake City. Oggi, questi ragazzi svelano una tecnica che prevede la probabilità di adozione degli individui all'interno di una rete e affermano che supera notevolmente gli sforzi precedenti.

Dicono che la loro nuova tecnica consentirà ai professionisti del marketing di indirizzare le proprie campagne in modo più efficace e di mettere a punto i messaggi per i singoli clienti che più probabilmente adotteranno un nuovo servizio in quel momento specifico.

Innanzitutto, un po' di sfondo. Il metodo standard per simulare il modo in cui le informazioni si diffondono attraverso una rete è noto come modello a cascata. Ciò presuppone che una persona riceverà un'informazione se anche un certo numero dei suoi vicini più prossimi la possiede. In altre parole, la probabilità di adozione è un effetto sociale che dipende dall'influenza di amici, familiari e altri stretti collaboratori.

Questo approccio ha avuto molto successo nel modellare la diffusione di malattie, mode, e-mail virali e così via. Ma gli scienziati della rete sanno che è tutt'altro che perfetto.

Il problema è che ci sono molti altri effetti che influenzano anche se un individuo adotta o meno un'idea o acquista un prodotto. Ad esempio, un individuo può avere maggiori probabilità di acquistare un prodotto a causa di iniziative di marketing che lo prendono di mira offline. Cose come lettere, cartelloni pubblicitari, pubblicità in TV e così via.

In effetti, questi cosiddetti effetti confondenti sono così potenti da sfidare i tentativi dei teorici delle reti di modellare il comportamento di individui reali su reti reali.

Il problema nel modellare l'effetto degli sforzi di marketing reali è che il loro tasso di successo è solitamente così basso che può sembrare trascurabile in un modello a cascata. Ad esempio, immagina che un'azienda invii informazioni su un nuovo prodotto a tutte le sue aziende esistenti. La verità è che se il mezzo percento di tutti questi clienti accettasse l'offerta, i professionisti del marketing lo considererebbero un enorme successo.

Ma in un modello a cascata, se mezzo percento degli amici di un individuo acquista un nuovo prodotto, essenzialmente non è nessuno di loro. Quindi questo modello prevede che nessuno acquisterà il prodotto. Semplicemente non può gestire il livello piccolo ma significativo a cui va avanti gran parte del marketing.

È qui che entra in gioco il lavoro di Xiao Fang e co. Questi ragazzi hanno creato un modello di rete che tiene conto degli effetti confondenti quando valuta la probabilità che un particolare individuo adotti un'idea o acquisti un prodotto. Consente in particolare la leggera distorsione che possono avere le influenze offline, come le campagne pubblicitarie.

E anche Xiao Fang e compagni dicono che funziona. Questi ragazzi hanno testato il loro nuovo approccio su un database di 35.000 clienti di telefonia mobile che hanno potuto scegliere tra 18 diversi piani di pagamento.

Il database mostra quanti clienti hanno adottato un nuovo piano ogni giorno nel corso di un anno. Ciò si è verificato al tasso modesto di circa lo 0,4 per cento.

Questo tasso può essere il risultato di effetti sui social network come amici che consigliano lo stesso piano a vicenda. Ma potrebbe anche essere il risultato degli sforzi di marketing delle aziende, che non sono registrati sulla rete.

Il compito di Xiao Fang e co è quello di modellare il modo in cui i clienti hanno adottato il nuovo piano di pagamento in questione. Hanno scoperto che i modelli a cascata convenzionali essenzialmente non riescono a prevedere alcun assorbimento significativo.

Tuttavia, il loro nuovo approccio ha avuto molto più successo. Dicono che la capacità di tenere conto di effetti confondenti sconosciuti consente loro di modellare con successo il tasso di assorbimento effettivo, anche se era solo lo 0,4 per cento.

Inoltre, il loro modello mostra quali nodi di una rete hanno maggiori probabilità di essere influenzati dagli effetti offline. Questo è importante perché consente ai professionisti del marketing di indirizzare le proprie campagne in modo molto più efficace e di monitorare il loro successo in tempo reale.

In effetti, il nuovo approccio aumenta la prospettiva di creare messaggi personalizzati rivolti a individui specifici proprio nel momento in cui sono più vulnerabili. Le aziende possono diventare più efficaci nella selezione dei semi per il marketing virale ed eseguire la selezione in modo dinamico nel tempo, affermano.

Naturalmente, una cosa è prevedere con successo l'evoluzione dei dati storici. È tutt'altra cosa prevedere l'evoluzione futura dei dati attuali. Questo sarà il vero banco di prova di questa nuova idea. E se ci riuscirà, Xiao Fang e compagni faranno in modo che il mondo del marketing virale raggiunga la loro porta.

Rif: arxiv.org/abs/1309.6369 : Previsione delle probabilità di adozione nei social network

nascondere