CC BY
85
УДК 338.2 doi: 10.20310/1819-8813-2016-11-10-72-78
МЕТОДИКА ПОСТРОЕНИЯ ПРОГНОЗНОЙ МОДЕЛИ РАЗВИТИЯ ВИРУСНОГО ВИДЕО В КОММУНИКАЦИОННОЙ СРЕДЕ СОЦИАЛЬНЫХ СЕТЕЙ
ТОЛСТЯКОВ РОМАН РАШИДОВИЧ ФГБОУ ВО «Тамбовский государственный технический университет», г. Тамбов, Российская Федерация, e-mail: tolstyakoff@mail.ru
КУЗНЕЦОВА ЕКАТЕРИНА МИХАЙЛОВНА ФГБОУ ВО «Тамбовский государственный технический университет», г. Тамбов, Российская Федерация, e-mail: catherine_b@mail.ru
Статья подготовлена при поддержке гранта РГНФ № 15-32-01396
В статье рассматривается один из современных методов маркетинговой коммуникации - вирусный видеомаркетинг. Коммуникационной средой вирусного видео выступают социальные сети, как множество пользователей, объединенных общими интересами. Пользователи социальных сетей выступают одновременно и целевой аудиторией, и распространителями (реципиентами) вирусного видео. Длительность и интенсивность жизненного цикла вирусного видео и как следствие коммуникационная эффективность вирусной маркетинговой кампании напрямую зависит от реакции пользователей на получение ссылки на видео. В связи с этим предлагается сегментация пользователей по трем базовым группам: активные, интересующиеся и пассивные. Критериями сегментации и определяющими параметрами формализованной модели пользователя социальной сети выступают такие переменные, как просмотр видео, пересылка видео, комментарии, оценки, удаление. В рамках предложенной модели определены диапазоны изменения каждой переменной в зависимости от группы пользователей. Активность коммуникационной среды определяется долей каждой группы среди всех потребителей. Предложена методика построения прогноза развития жизненного цикла вирусного видео, в рамках которой формируется массив «зараженных» пользователей исходя из задаваемых условий (первоначальный посев, коммуникационная активность социальной сети). Коммуникационную активность предлагается определять посредством предварительного опроса в формате on-line анкетирования для выяснения реакции пользователей на получение ссылки на видео от лично знакомого человека, знакомого в сети и незнакомого. Разработанная методика позволяет оценить возможный охват вирусной видеокампании, определить ее эффективность еще на стадии разработки, что позволяет оптимальным образом подобрать типы социальных сетей и размер первоначального посева и существенно снизить затраты на организацию вирусного видеомаркетинга.
Ключевые слова: вирусный маркетинг, вирусное видео, социальные сети, модель потребителя
Качество разработки и проведения маркетинговой вирусной кампании зависит от многих факторов. В силу того, что вирусное видео как объект управления необходимо рассматривать с позиций саморазвивающейся системы, действующей в условиях неопределенности и как следствие необходимости применения для его изучения синерге-тического подхода, определение и четкая формализация вирусной видео кампании практически невозможны.
Данный факт звучит в качестве аргумента, когда исследователи говорят о невозможности оценки эффективности вирусного видео на стадии разработки и даже на стадии внедрения [1]. Действитель-
но, если за основу брать такие статистические характеристики видео, как просмотры и уникальные пользователи, то единственным контролируемым параметром будут пользователи и то на стадии посева видео, когда происходит первичная рассылка ссылок пользователям. Многие считают, что здесь максимально действует принцип воронки продаж, и максимально возможный посев обеспечит наилучшее качество вирусной кампании [2].
Мы считаем, что это не так, и эффективность вирусного контента может быть спрогнозирована на стадиях, последующих за посевом. В данном случае детерминировать подход как к оценке текущего состояния вируса, так и прогнозу на будущий период
необходимо на основе предыдущей статистики, которая фиксируется в специализированном массиве данных V (просмотры), начиная с первых дней «жизни» вируса.
Но просто построение линий тренда на основе математических моделей экстраполяции, базирующихся на статистике за предыдущий период не целесообразно, так как вирус в своем жизненном цикле проходит множество точек бифуркации, что кардинальным образом меняет вектор его развития от роста к угасанию и наоборот. В связи с этим возможно построение линии тренда на основе линейной фильтрации, когда весь пери-
од развития вируса делится на участки, в которых вирус развивался равномерно. По данным последнего отчетного периода строится линейная зависимость V от времени, интерполирующая исходные данные, при этом угол наклона данной прямой наглядно показывает, как происходит рост, упадок или стабильность просмотров на данном временном промежутке. В результате определенной зависимости у = кх + Ь, где зависимой переменной выступают просмотры V, а независимой - дни, непрерывная функция, таблично заданная массивом V, разбивается на кусочно-заданные линейные функции (рис. 1).
Рис. 1. Кусочно-заданная линейная функция Vtime (дни) на основе линейной регрессии
Угол наклона прямой определяется коэффициентом к уравнения у = кх + Ь. Именно коэффициент к показывает, в каком состоянии находится вирус на данный момент [3]
В процессе апробации данного метода были замечены общие тенденции развития вирусных видео-кампаний в идентичных социальных сетях, выступающих коммуникационной средой развития вируса вне зависимости от контента видео. Это позволило сделать вывод о возможности построения прогнозной модели развития жизненного цикла вируса до его запуска в сеть, основываясь на параметрах пользователях социальной сети.
В общем виде всех пользователей условно можно разделить на три категории: активные, интересующиеся и пассивные.
Активный пользователь характеризуется такими действиями, как открытие полученной ссылки, неоднократный просмотр видео, написание комментариев и дальнейшая пересылка видео.
Интересующийся пользователь ограничивается открытием ссылки, просмотром видео с последующим его удалением.
Пассивный пользователь в лучшем случае откроет ссылку, не просматривая видео, а в подавляющем большинстве просто удалит письмо в спам, не заглядывая в него.
Концентрации различных типов и, в первую очередь, количество активных пользователей на
начальной этапе жизненного цикла определяет коммуникационную среду социальной сети, и в зависимости от этого в одних соц. сетях вирус развивается, а в других погибает.
Следовательно, для построения прогнозной модели оценки вирусной видео-кампании необходимо:
- формализовать пользователя, определив параметры его активности по просмотрам видео в сети;
- детализировать классификацию пользователей, определив диапазон значений параметров активности;
- сформировать базу социальных сетей по тематическим критериям и популярности;
- определить подходы для формализации социальной сети;
- разработать методику составления прогноза в зависимости от места (конкретная социальная сеть) и количества (стартовые ссылки) посева.
Так как основным способом распространения вирусного видео является передача от одного пользователя другому через личные сообщения, необходимо определить, какие действия может совершать индивид при получении ссылки на видео. Набор этих действия и будет параметрами активности пользователя.
Объект «пользователь» характеризуется следующими параметрами:
1. Открытие ссылки, то есть переход по полученной ссылке на видеохостинг, при этом открытие ссылки не означает ее просмотр, так как увидев, что это видеоинформация, пользователь может просто уйти со страницы, не начав просмотр. Этот параметр индексируем как Хь который будет принимать значения 0 или 1, соответствующие открыл или нет. В случае, если Х1=0, пользователь однозначно идентифицируется как пассивный и не принимающий участие в регенерации вируса.
2. Просмотр видео, данный параметр следует пролонгировать во времени, так как просмотры могут быть не единичными, пользователь может возвращаться к ссылке и пересматривать ее несколько раз, что будет идентифицировать его как активного или интересующегося. Параметр индексируется как Х2, принимающий значения от а^цо Ь2 в течении Y2 дней.
3. Пересылка видео - главный параметр с точки зрения развития вируса, так как только это позволит генерировать новый контент пользователей и запускать лавинообразный характер вирусной кампании в случае высокой концентрации активных пользователей. Как и параметр Х2, пара-
метр X3 характеризуется диапазоном изменений от a3 до b3, что показывает скольким людям пользователь перешлет ссылку в течении Y3 дней.
4. Написать комментарий - бинарный показатель, определяющий наличие комментария от пользователя. В данном случае пренебрегаем возможностью вступления в «переписку» под видео и считаем под этим параметром факт хотя бы единичного комментария при этом X4 принимает значения от 0 до 1.
5. Поставить оценку (like) - параметр аналогичный предыдущему, но в части не комментариев, а оценок.
6. Удаление ссылки - отражает явное отторжение пользователем ссылки, при этом возможны комбинации удаления ссылки после просмотра (X6 = 0; X2 = 1) и удаление ссылки, не открывая ее (Хб = 0; Xj = 0).
Таким образом, в общем виде пользователь формализован в виде множества переменных Xi, принимающих значение в заданном диапазоне [ai, bi]. В описанной модели задействовано 8 переменных (табл. 1). Модель является универсальной и может быть дополнена другими параметрами.
Таблица 1
Формализованная модель пользователя социальной сети
Параметр Переменная Минимальное значение Максимальное значение
Открытие ссылки Xi 0 1
Просмотр видео Х2 a2 Ъ2
Дни просмотра у2 Ya2 Yb2
Пересылка видео Хз аз Ъз
Дни пересылки Y3 Ya3 Yb3
Комментарий Х4 0 1
Оценка Х5 0 1
Удаление ссылки Хб 0 1
Детализированная классификация пользователей будет включать 7 типов:
1. Супер Активный.
2. Активный категория 1.
3. Активный категория 2.
4. Интересующийся категория 1.
5. Интересующийся категория 2.
6. Пассивный.
7. Супер пассивный.
Формализация различия в их реакции на получение ссылки на видео представлено в таблице 2. Граничные значения диапазонов переменных X] и Х2 представляют гипотезу настоящего исследования, основанную на экспертной оценке авторов и специалистов рекламных агентств и агентств маркетинговых исследований. В дальнейшем представ-
ленные значения будут подвергнуты апробации и потребуют много итерационной корректировки на основании сравнения результатов, полученных в ходе построения прогнозной модели и результатов эксперимента.
Значение параметров Y2 и Y3 решено принять равным 5 дней (Уа2 = Yb2 = 5; Ya3 = Yb3 = 5), так как на основании авторского исследования, проводимого среди пользователей социальных сетей 1ш^гат, УКоПаке, Odnoklassniki, Facebook - среднее время в течении которого люди пересматривают видео и делятся составляет 5 дней.
Также исходя из этого исследования, комментарии и оценку видео оставляют во время первого просмотра, следовательно, пролонгировать эти параметры во времени не видится целесообразным.
Таблица 2
Классификация пользователей социальных сетей по формализованным параметрам реакции
на получение ссылки на видео контент
Тип пользователя Действия
Супер Активный откроет ссылку, посмотрит видео, перешлет видео, пересмотрит видео, оценит (like), напишет комментарий
Активный категория 1 откроет ссылку, посмотрит видео, перешлет видео, пересмотри видео, оценит (like)
Активный категория 2 откроет ссылку, посмотрит видео, оценит (like)
Интересующийся категория 1 откроет ссылку, посмотрит видео
Интересующийся категория 2 откроет ссылку, посмотрит видео, удалит ссылку после просмотра
Пассивный откроет ссылку
Супер пассивный удалит ссылку, не открывая ее
Тип пользователя Xi X2 Y, X3 Y3 X4 X5 Хб
a2 b, аз Ьз
Супер Активный 1 3 5 5 2 4 5 1 1 0
Активный категория 1 1 1 3 5 1 2 5 0 1 0
Активный категория 2 1 1 2 5 0 0 5 0 1 0
Интересующийся категория 1 1 1 1 5 0 0 5 0 0 0
Интересующийся категория 2 1 1 1 5 0 0 5 0 0 1
Пассивный 1 1 1 5 0 0 5 0 0 1
Супер пассивный 0 0 0 5 0 0 5 0 0 1
Каким же образом перечисленные семь категорий пользователей смогут идентифицировать коммуникационное пространство распространения вируса? Во-первых, предлагается подбирать коммуникационную среду посева по принципу максимальной концентрации целевой аудитории. В данном случае социальные сети как ничто лучше подходят, так как именно там пользователи самостоятельно группируются по интересам и уровню по-
Проведение опроса предлагается проводить в формате on-line анкетирования, при этом обязательным условием является приглашение пользователя пройти анкетирование через личное сообщение, количество неотвеченных сообщений охарактеризует данную сеть на предмет наличия пассивных и супер пассивных пользователей. Анкета должна состоять из 4 блоков вопросов:
требностей и, как следствие, являются множеством непассивных потребителей [4; 5].
Социальные сети предлагается идентифицировать по концентрации перечисленных 7 типов пользователей (табл. 3), при этом определение доли каждого типа пользователя может быть выполнено посредством опроса внутри каждой социальной сети.
Таблица 3
1. Первый блок позволяет определить общую активность пользователей в сети Интернет, его предпочтения, используемые социальные сети.
2. Второй блок определяет действие на получение ссылки от лично знакомого человека.
3. Третий блок дает понять реакцию пользователей на получение ссылки от знакомого только в сети человека.
Формализация социальных сетей по концентрации типов пользователей
Тип пользователя Соц. сеть А Соц. сеть B Соц. сеть C
Супер Активный 5 % 3 % 2 %
Активный категория 1 7 % 4 % 5 %
Активный категория 2 8 % 9 % 10 %
Интересующийся категория 1 15 % 12 % 12 %
Интересующийся категория 2 10 % 20 % 16 %
Пассивный 20 % 25 % 25 %
Супер пассивный 35 % 27 % 30 %
ВСЕГО: 100 % 100 % 100 %
4. Четвертый блок определяет действие пользователей на ссылку, полученную от незнакомого человека.
Последние три блока должны подтвердить или опровергнуть гипотезу о различной реакции на получение видео от незнакомых и знакомых пользователей.
Дав описание типам пользователей, характеризующим их параметрам и подходам к инициализации коммуникационного пространства развития вируса, предлагается рассмотреть алгоритм и пример работы прогнозной модели развития жизненного цикла вируса.
Для наглядности примера рассмотрим ситуацию, когда социальная сеть состоит из 10 % супер активных пользователей, 30 % интересующихся категория 1 и 60 % пассивных пользователей. Посев составляет 10 ссылок (Ы).
Шаг 1. Определяем количество пользователей каждого типа
N х 10 % - 1 суперактивный пользователь;
N х 30 % - 3 интересующихся пользователей;
N х 60 % - 6 пассивных пользователей.
Шаг 2. Инициируем каждого пользователя на основании заданных диапазонов параметров. Инициация параметров Х2 и Х3 происходит с помощью случайных чисел в диапазоне от а2 до Ь2 для Х2 и от а3 до Ь3 для Х3 . При этом заполняется матрица действий пользователей по дням, где столбцами определяются дни, начиная с 1 до 5 (так как переменные Y2 и Y3 ранее определены равными 5). Пример распределения случайным образом просмотров и пересылки видео представлены в таблицах 4, 5.
Шаг 3. Определяем количество новых пользователей по сумме ячеек первого столбца, это будет число N1, где индекс 1 показывает день генерации.
Матрица пересылки видео является главной генерирующим инструментом, так как позволяет определить, сколько новых пользователей заражено вирусом. В приведенном примере N1 = 1.
Таблица 4
Матрица просмотров (распределение Х2)
Тип X2 1 день 2 день 3 день 4 день 5 день
Активный 4 1 1 1 1
Интересующийся 1 1
Интересующийся 1 1
Интересующийся 1 1
Пассивный 1 1
Пассивный 1 1
Пассивный 1 1
Пассивный 1 1
Пассивный 1 1
Пассивный 1 1
Итого: 3 - - - -
Матрица пересылки видео (распределение Х3):
Тип X3 1 день 2 день 3 день 4 день 5 день
Активный 3 1 1 1
Интересующийся 2 1 1
Интересующийся 1 1
Интересующийся 2 1 1
Пассивный 0
Пассивный 0
Пассивный 0
Пассивный 0
Пассивный 0
Пассивный 0
ИТОГО: 1 - - - -
Таблица 5
Шаг 4. Повторение алгоритма с шага 1, где N = N1.
Полученный 1 новый пользователь случайным образом относится к одному из типов пользователей, описанных в коммуникационном пространстве. В приведенном примере с вероятностью 10 % -это будет суперактивный пользователь; 20 % - интересующийся и 60 % - пассивный, после чего уже имеющаяся матрица увеличивается на количество новых пользователей, заполняются ячейки, отвечающие за просмотры и пересыл видео, считается
сумма по второму столбцу и получаются новые значения (просмотры, пересыл, лайки, комментарии и т. д.), после чего тело цикла повторяется. В рассмотренном случае вирус окончательно «умирает» на 15 день (рис. 2).
Две верхние строчки отражают количество вновь инициированных пользователей во времени. Нижние матрицы детализируют, как согласно методике, происходит расчет новых пользователей, сколько из них относится к типу активные, интересующиеся и пассивные.
Рис. 2. Пример прогнозной модели при посеве, равном 10 ссылок в пассивную коммуникационную среду
Расчет данных по Х3 является ключевым, так как определяет новых пользователей, по которым по аналогии заполняются матрицы по просмотрам, комментариям, лайкам, удалению ссылок.
Предложенная методика может быть положена в основу информационной системы, где оператор будет выбирать социальную сеть исходя из целевой аудитории и вводя стартовое значение посева, получать прогнозируемую статистику по просмотрам, уникальным пользователям и оценку эффективности вирусного видео на каждом этапе. Разумеется, предварительно необходимо провести сбор данных по каждой социальной сети, определив пропорции концентрации каждой группы пользователей, методом итераций установить диапазоны
допустимых значении для параметров пользователей каждого типа и верифицировать полученную модель.
Литература
1. Kuznetsova Ye. M., Guchetl R. User Contentasan Environment for Distribution of Viral Marketing / Мир науки без границ: мат-лы 2-ой Междунар. науч.-практ. конференции молодых ученых / Тамбовский государственный технический университет. 5 июня, 2015. Тамбов: Изд-во ФГБОУ ВПО «ТГТУ», 2015. С. 113-116.
2. Lamba H., Narayanam R. A model-independent approach for efficient influence maximization in social networks Year the Document was Publish 2015 Source of
the Document Social Network Analysis and Mining 5 (i). i4. Р. i-ii.
3. Tolstyakov R. R., Zlobina N. V. Quality Increase of Viral Video Management on the basis of Synergetic Approach. Indian Journal of Science and Technology. Vol 8(Si0). DOI: i0.i7485/ijst/20i5/v8iSi0/84873. December 20i5.
4. Туева А. В., Толстяков Р. Р. Социальная сеть как коммуникационная среда вирусного маркетинга // Современные проблемы социально-гуманитарных наук: мат-лы IV Междунар. научно-практ. заоч. конф. Научно-образовательный центр «Знание». 20i6. С. 220-227.
5. Yang H. C., Wang Y, Social Sharing of Online Videos: Examining American Consumers' Video Sharing Attitudes, Intent, and Behavior 20i5 Psychology and Marketing 32 (9). Р. 907-9i9.
References
i. Kuznetsova Ye. M., Guchetl R. User Content as an Environment for Distribution of Viral Marketing / Mir nauki bez granits: Mat-ly 2-oj Mezhdunar. nauch.-prakt. konferentsii molodykh uchenykh / Tambovskij gosu-
darstvennyj tekhnicheskij universitet, 5 iyunya, 2015. Tambov: Izd-vo FGBOU VPO «TGTU», 2015. S. 113116.
2. Lamba, H., Narayanam, R. A model-independent approach for efficient influence maximization in social networks Year the Document was Publish 2015 Source of the Document Social Network Analysis and Mining 5 (1), 14, pp. 1-11.
3. Tolstyakov R. R., Zlobina N. V. Quality Increase of Viral Video Management on the basis of Synergetic Approach. Indian Journal of Science and Technology, Vol 8(S10), DOI: 10.17485/ij st/2015/v8iS10/84873, December 2015.
4. Tueva A. V., Tolstyakov R. R. Sotsial'naya set' kak kommunikatsionnaya sreda virusnogo marketinga [Social network as communication environment of virus marketing] // Sovremennye problemy sotsial'no-gumanitarnykh nauk mat-ly IV Mezhdunar. nauchno-prakt. zaochnoj konferentsii. Nauchno-obrazovatel'nyj tsentr «Znanie». 2016. S. 220-227.
5. Yang H. C., Wang, Y, Social Sharing of Online Videos: Examining American Consumers' Video Sharing Attitudes, Intent, and Behavior 2015 Psychology and Marketing 32 (9), pp. 907-919.
* * *
TECHNIQUE OF CREATION OF EXPECTED MODEL OF DEVELOPMENT OF VIRUS VIDEO IN THE COMMUNICATION ENVIRONMENT OF SOCIAL NETWORKS
TOLSTYAKOV ROMAN RASHIDOVICH Tambov State Technical University, Tambov, the Russian Federation, e-mail: tolstyakoff@mail.ru
KUZNETSOVA EKATERINA MIKHAYLOVNA Tambov State Technical University, Tambov, the Russian Federation, e-mail: catherine_b@mail.ru
Article is prepared with assistance of RHSF grant № 15-32-01396
In article the authors considered one of modern methods of marketing communication - virus marketing video. Social networks as a great number of the users united by common interests act as the communication environment of virus video. Users of social networks act at the same time as both target audience, and distributors (recipients) of virus video. Duration and intensity of life cycle of virus video and as a result communication efficiency of a virus marketing campaign directly depends on reaction of users to getting a link to video. In this regard the authors offered segmentation of users on three basic groups: active, interested and passive. As criteria of segmentation and the defining parameters of the formalized model of the user of social network there are such variables as, viewing of video, transfer video, the comment, estimates and removal. Within the offered model the authors determined ranges of change of each variable depending on group of users. A share of each group among all consumers defined Activity of the communication environment. The authors offered technique of creation of the forecast of development of life cycle of virus video within which the massif of the «infected» users proceeding from the set conditions is formed (initial crops, communication activity of social network). The authors offered communication activity defined by means of preliminary poll in the questioning on-line format for clarification of reaction of users to getting a link to video from personally familiar person, the acquaintance in network and unfamiliar. The developed technique allows to estimate possible coverage virus video of a campaign, to define its efficiency at a development stage that allows to pick up optimum types of social networks and the amount of initial crops and it is essential to lower costs of the organization of virus video marketing.
Key words: virus marketing, virus video, social networks, consumer's model
