Onderzoekers creëerden een algoritme dat met succes consumentenaankopen voorspelde. Het algoritme maakte gebruik van gegevens uit de dagelijkse activiteiten van de consument op sociale media. Merken zouden dit kunnen gebruiken om potentiële klanten te analyseren. De methode van de onderzoekers combineert krachtige statistische modelleringstechnieken met op machine learning gebaseerde beeldherkenning.

Universitair hoofddocent Toshihiko Yamasaki en zijn team van de Graduate School of Information Science and Technology aan de Universiteit van Tokyo onderzoeken nieuwe en interessante manieren om gebruik te maken van data, zoals social media data. Sommige toepassingen die ze ontwikkelen, zijn nuttig voor entiteiten zoals bedrijven om hun effectiviteit op verschillende manieren te verbeteren, maar vooral in hoe ze potentiële klanten bereiken en beïnvloeden.

"Ik heb mijn team twee vragen gesteld:'Is het mogelijk om de overeenkomst tussen verschillende merken te berekenen op basis van de manier waarop klanten met hen omgaan op sociale media?' En, 'Als, kunnen merken deze informatie gebruiken om de manier waarop ze zichzelf op de markt brengen te verbeteren?'", aldus Yamasaki. inspanning en geduld, ze kwamen terug met een eenvoudig maar zelfverzekerd antwoord:'Ja!'"

Maar de manier waarop hun team dit afleidde, was allesbehalve eenvoudig. De computationele analyse van sociale-mediagegevens wordt vaak mining genoemd, zoals de term suggereert, is het een monumentale en moeizame taak. Om deze reden, onderzoekers op dit gebied maken gebruik van verschillende computerhulpmiddelen om sociale media te analyseren op manieren die mensen niet kunnen.

"Vroeger, veel bedrijven verbeterden hun marketingstrategieën met behulp van klantonderzoeken en projecties op basis van hun verkoopgegevens, ", legt hoofdonderzoeker Yiwei Zhang uit. "Echter, deze zijn tijdrovend en onnauwkeurig. Nu hebben we toegang tot en expertise in tools zoals machine learning en complexe statistische analyse."

Het team begon zijn werk met het verzamelen van openbaar beschikbare sociale-mediagegevens van volgers van geselecteerde merken. Ze gebruikten beproefde methoden voor beeldherkenning en machine learning om foto's en hashtags met betrekking tot de volgers van de merken te analyseren en te categoriseren. Hieruit kwamen gedragspatronen van consumenten naar verschillende merken aan het licht. Dankzij deze patronen konden de onderzoekers de overeenkomst tussen verschillende of zelfs niet-gerelateerde merken berekenen.

"We hebben ons voorgestelde algoritme geëvalueerd op basis van aankoopgeschiedenis en vragenlijsten, die nog steeds nuttig zijn om context te bieden voor aankoopinformatie, " vervolgde Zhang. "De experimentele resultaten tonen aan dat creditcard- of puntkaartbedrijven het koopgedrag van klanten in het verleden goed konden voorspellen. Ons algoritme kan de bereidheid van klanten om nieuwe merken uit te proberen nauwkeurig voorspellen."

Dit onderzoek kan zeer nuttig zijn voor nieuwe promoties van merken die gebruik maken van sociale medianetwerken. Het kan ook worden gebruikt door winkelcentra en winkelcentra om te plannen welke winkels ze hebben of voor winkels zelf om te kiezen welke merken ze in voorraad willen hebben. En het onderzoek kan zelfs helpen om merken te matchen met geschikte influencers op sociale media om hun producten beter te adverteren.

"Het is altijd heel interessant om te visualiseren wat nog niet eerder zichtbaar was, " concludeerde Yamasaki. "Mensen zouden kunnen zeggen dat professionals dit soort patronen al 'zien', maar het numeriek en objectief kunnen aantonen van de overeenkomst tussen merken is een nieuwe innovatie. Ons algoritme is aantoonbaar effectiever dan deze dingen alleen op intuïtie te beoordelen."