Mit kezdhet egy marketinges több 100 millió tweettel?

Az online tevékenységünk során nemcsak a keresési szokásaink alapján figyelhetnek meg bennünket a vállalatok, hanem a szociális médiában megjelenő bejegyzéseink, interakcióink ugyanúgy lehetőséget adnak a megfigyelésre. Ezen adatok feldolgozásával marketing szempontból meghatározó vásárlói profilok és szokások azonosíthatóak, továbbá különböző fogyasztói trendek ismerhetőek fel. Richárd szegedi csapatával a Black Swan londoni piackutató ügynökség számára gyűjt és dolgoz fel hatalmas mennyiségben Twitter felhasználói adatokat, amelyekkel nagyvállalati ügyfeleik számára tudnak marketing döntéseket támogató elemzésekkel szolgálni. A tevékenység során a szegedi csapat ezen bejegyzéseket tanulmányozza, figyelik a felhasználói lépéseket, tweeteket. Úgynevezett social note alkalmazásával különböző kimutatásokat és statisztikákat készítenek ügyfeleik számára.

„Az internet fénykorában élünk, így nem mondok nagy újdonságot azzal, a már-már bizonyos esetekben vírusként terjedő trendeket tekintjük a legfontosabb információknak marketing szempontból” – osztotta meg véleményét Richárd. Mint megtudtuk, némely esetben nagyobb népszerűségnek örvendenek ezek a trendek, mint a hivatalosan közzétett információk, adatok. Ezeket érdemes nyomon követni, és természetesen a szociális médiában ezekre a trendekre leggyorsabban a véleményvezérek reagálnak. „Valójában kik is ők? Honnan jöttek? Milyen hatással vannak a társadalomra és a vállalatra?” – tette fel a kérdést az előadó, aki csapatával együtt ezen véleményvezéreket próbálja azonosítani a vállalati partnerek számára.

Felmerül a kérdés azonban, hogy miként képesek a hatalmas mennyiségű adatot, sok esetben több százmillió tweet-et elemezni? „Itt jön képbe a mesterséges intelligencia – vagy legalábbis amit ma annak nevezünk. Nincs lehetőség arra, hogy a kollégákkal elemeztessünk ezt a hatalmas adatmennyiséget. Gyakorlatilag néhány ezer tweet biztosítja a tanuló adatbázist, ami emberi munka eredményeként jön létre. Ezen feldolgozott adatokra és elemzésre „engedjük rá” az általunk fejlesztett algoritmusokat. Ez egy gépi tanulási folyamat, ami alapján az algoritmusok elsajátítják, hogyan kell az egyes tweet-eket értékelni.” Mint látható, a kvalitatív adatokból tanuló algoritmusok segítségével készít a szegedi csapat olyan statisztikai összesítéseket, amelyek a felhasználók véleményét aggregálják. Ezzel a módszerrel viszonylag gyorsan feltárhatóak olyan trendek, amelyek fontosak lehetnek a vállalati ügyfelek számára, valamint egy kampánnyal vagy új termékkel, szolgáltatással kapcsolatban gyorsan mérhető, hogy a fogyasztók véleményében a pozitív vagy negatív bejegyzések dominálnak inkább. Így viszonylag gyorsan lehet reagálni a fogyasztói fogadtatásra.

Fontos kérdés továbbá, hogy miként lehet vásárlói profilokat felépíteni. Amennyiben egy tanuló adatbázist megfelelően kidolgoznak, akkor lehetőség van arra, hogy az „elektronikus lábnyomok” alapján a tanított algoritmusok viszonylag nagy valószínűséggel sikeresen meg tudjanak jósolni bizonyos demongráfiai adatokat a felhasználókkal kapcsolatban: például származást, lakóhelyet, nemet, életkort stb. Mindez úgy lehetséges, hogy a tanuló adatbázisban található bejegyezések íróit megfelelő profil adatokkal látják el. Így az algoritmusok következtetni tudnak arra, hogy a bejegyzések stílusa, nyelvhasználata milyen demongráfiai profillal rendelkező felhasználókra jellemzőek.

Az előadás fő üzenete a marketing szakemberek számára leginkább az, hogy egyrészt egy rendkívül hazsnos eszközzel bővül a marketing eszköztára, ugyanakkor kevesebb humán munkaerőre lesz szükség a jövőben az adatok feldolgozásához. E tekintetben a marketing szakemberek számára a legnagyobb kihívás az lesz, hogy ezen eszközöket megtanulják használni, és az eredményeket sikeresen át tudják ültetni a vállalati gyakorlatba.