Анализ целевой аудитории социальных сетей

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Введение

По мнению ученых, генерирование прибыли - основополагающая цель любой организации [Пригожин, 2001]. Стоит отметить, что в нынешних условиях насыщенных рынков и огромного выбора товаров на полках магазинов ритейла для получения прибыли недостаточно только произвести товар и выставить его на полку магазина. В условиях конкуренции, когда зачастую нежелательно во время борьбы с компаниями-соперниками использовать ценовую политику, в частности снижение цен, поскольку она может привести к нежелательным последствиям как для компании, так и для рынка, приходится все больше и больше прибегать к анализу потребителей, чтобы знать, какие действия предпринять, чтобы товары и услуги имели спрос на рынке [Vila, & Albinana, 2016].

Сейчас многие компании выделяют маркетинговый отдел в качестве самостоятельного подразделения, которое призвано быть посредником между компанией и потребителями. Так маркетинговые отделы компаний изучают причины роста или падения продаж, выстраивают маркетинговые стратегии с целью роста продаж, увеличения лояльности к компании, повышения привлекательности бренда на рынке и так далее. Все перечисленное выше невозможно без проведения анализа покупателей. Следовательно, в настоящее время работа отдела маркетинга сильно влияет на успех компании.

Многие массовые маркетинговые исследования проводятся посредством анкетирования потенциальных клиентов, интервью, главным недостатком которых зачастую является нежелание респондентов участвовать в исследовании, а неправильное составление вопросов зачастую заставляет проводить сбор данных заново. Стоит отметить, что не все вопросы можно задать респондентам, поскольку есть категория тем, на которые они не готовы отвечать во время интервью или заполнения анкеты (интересы, доход и так далее). Также количество данных в случае сбора с помощью интервью или анкеты зачастую измеряется в десятках или максимум сотнях вопросов или респондентов, поэтому огромная роль в значимости исследования принадлежит грамотности выделения выборки из генеральной совокупности.

Большинство проблем, перечисленных выше, можно решить с помощью сбора данных из социальных сетей - здесь не нужно находить респондентов, опрашивать их, составлять список вопросов или гайд интервью, а анализ можно проводить сразу по генеральной совокупности, а не по выборке. В свою очередь, статистические программы позволяют сделать выборку из генеральной совокупности случайной, если есть необходимость в использовании только части данных.

Социальные сети предоставляют такие данные, как общие данные (имя, фамилия, пол, возраст, дата рождения, город), контакты (ссылки на привязанные аккаунты в других социальных сетях, сайт, номер телефона, адрес почты), интересы (список аудиозаписей, видеозаписей, заполненные графы в разделе «интересы», список подписок на группы или мероприятия), данные о друзьях и так далее. Массив данных, который можно выкачать с подобных сайтов, в десятки раз больше, чем массив данных, собранный из интервью или посредством анкеты. Подробнее достоинства и недостатки использования данных из социальных сетей будут освещены в одном из следующих разделов.

Однако, темы, касающиеся сбора и анализа данных из социальных сетей в рамках маркетинговой деятельности, недостаточно освещены. Так, работы можно разделить на две большие группы. Первая посвящена анализу посещения мероприятий на основании данных из Facebook или Twitter. Авторы данных работ, проводя анализ данных из перечисленных социальных сетей, выявляют причины, влияющие на факт посещения того или иного мероприятия, переменные, влияющие на принятие данного решения, а также пытаются предсказать посещение мероприятия [Bogaert, Ballings, & Van den Poel, 2016]. Вторая группа работ посвящена специфике работы в социальной сети ВКонтаке: здесь не изучают методы сбора и анализа данных из источника, а анализируют устройство и работу сайта в рамках влияния на проведение маркетинговых мероприятий, в том числе маркетинговой рекламы [Baran, & Stock, 2015]. Следовательно, необходимы исследования, касающиеся проведения маркетинговых исследований на основе данных из социальных сетей.

Социальная сеть ВКонтакте была выбрана для анализа, поскольку российские пользователи предпочитают данную платформу конкурентам (особенно молодежь), а также популярность данного сайта растет [Baran, & Stock, 2015]. Кроме того, ВКонтакте предоставляет огромный спектр данных о своих пользователях, который можно выкачать с помощью специального пакета «vkR», который работает посредством связи с API, в рамках программирования на языке R.

В соответствии со всем перечисленным выше, цель данный работы - разработать метод идентификации целевых групп продукта (в сравнении с целевыми аудиториями конкурентов) на основе анализа социальных сетей. Чтобы обеспечить выполнение поставленной цели, необходимо решить следующие задачи:

- проанализировать научные исследования данной и смежных областей;

- разработать метод определения ключевых отличительных характеристик целевой аудитории компании от конкурентов на примере трех косметических брендов (AVON, Oriflame, Faberlic) с использованием данных из социальных сетей;

- проанализировать преимущества и недостатки данного метода;

- разработать список рекомендаций по использованию данного метода.

Стоит отметить, что сбор данных был произведен с помощью специально написанного кода на языке программирования R, который может быть в дальнейшем использован компаниями для проведения сбора данных для собственного маркетингового исследования с небольшими изменениями.

Для решения задач, перечисленных выше, был проведен анализ научных исследований с целью выявления подтверждённых ранее тенденций, зависимостей, значимых переменных для составления методологии данного исследования, после был разработан дизайн исследования и, согласно дизайну исследования, был написан код для сбора данных из социальной сети ВКонтакте. Далее данные были собраны, преобразованы для дальнейшего использования, после чего были проанализированы с помощью описательных статистик, построения регрессий, проведения факторного и регрессионного анализа. На основе произведенных действий и полученных результатов был описан метод сбора и анализа информации из социальной сети ВКонтакте для маркетингового исследования целевой аудитории продукта, услуги или бренда (отличие от конкурентов), потребители которой пользуются социальными сетями, после чего были описаны ограничения метода, рекомендации по его применению, а также направления дальнейшего усовершенствования описанного метода.

Структура работы выглядит следующим образом: во введении обозначены цели и задачи исследования, а также его практическая значимость, в первом разделе основной части будут рассмотрены и проанализированы существующие работы, касающиеся сбора и анализа данных посредством социальных сетей, а также раскрывающие такую составляющую маркетинговых исследований как анализ целевой аудитории, исходя из чего во втором разделе основной части будут обозначены рамки исследовательской проблемы, а также подробно описаны методы сбора данных, инструменты исследования, источники данных, способы преобразования и анализа данных, после чего в третьем разделе основной части будут представлены полученные выводы, а также описание полученного метода идентификации целевой аудитории продукта, бренда или услуги, рекомендации по использованию, ограничения и варианты дальнейшего развития; в заключении будут подведены итоги всей работы.

В первую очередь, результаты данной работы могут быть использованы компаниями, целевая аудитория продуктов или услуг которых пользуется социальной сетью ВКонтакте, в том числе официальными группами компаний. Во-вторых, результаты могут быть использованы компаниями, использующими в рамках маркетинговой деятельности аккаунты в других социальных сетях, однако, с большими изменениями - необходимо изменить метод сбора информации, а также методы ее обработки и анализа в зависимости от того, какие данные может предоставить та или иная платформа. В-третьих, результаты могут быть использованы в рамках студенческих проектов или проектов компаний в пределах маркетинговой деятельности и взаимодействия с потребителями. В-четвертых, данная работа может служить базой для дальнейших исследований, которые позволят усовершенствовать полученные результаты (в том числе в направлениях, которые описаны в данной работе в следующих разделах).



1. Теоретическое обоснование

целевой аудитория косметический социальный

Говоря о теоретических аспектах такого понятия, как целевая аудитория, стоит в первую очередь отметить, что у целевой аудитории есть свои характеристики, которые позволяют маркетологам отличить ее от общей массы потенциальных и реальных покупателей. Определение целевой аудитории позволяет компании экономить ресурсы, в первую очередь финансовые, например, во время компаний по продвижению продукта или услуги, поскольку появляется возможность показывать рекламу в только тем потребителям, которые готовы ее заметить (выбор времени трансляции телевизионной рекламы, отбор мест расположения баннеров с рекламой на улице или в помещении, таргетированная реклама в интернете). Помимо всего прочего, процесс идентификации целевой аудитории является основой многих маркетинговых концепций и методов исследований, например, модели потребительской удовлетворенности Кано [Petrovski, & Pestana, 2017] и контент-маркетинга [Baltes, 2015].

Стоит также отметить, что определение целевых групп продукта или услуги играет большую роль при разработке нового продукта, поскольку не стоит производить новый продукт, если никто его не купит, следовательно, определение целевой аудитории и ее потребностей является одним из первых шагов процесса разработки нового продукта [Vila, & Albinana, 2016]. Некоторые ученые считают, что в части случаев потребители должны быть включены в процесс разработки нового продукта или услуги, что зачастую является «ключом к успеху» [Chang, & Taylor, 2016]. Поскольку продукт не может быть эффективно запущен в продажу без анализа потребителей, а коммерческие организации не могут существовать, если они не генерируют прибыль, можно прийти к выводу, что анализ целевой аудитории является основой всей деятельности компании в настоящее время.

В то время, как важность определения целевой аудитории не поддается сомнениям и этот процесс считается основой всех маркетинговых процессов, существуют различные точки зрения касательно того, из чего состоит целевая аудитория. Одни исследователи полагают, что целевая аудитория включает в себя людей, принимающих решения, а также людей, которые могут на эти решения повлиять; при этом авторы считают главной характеристикой людей, принимающих решения, способность увидеть и услышать призыв к действию, сообщение, транслируемое компанией посредством рекламы и других видов маркетинговых коммуникаций [Wright et al., 2015]. Способность заметить призыв к действию в данном случае означает способность изменить поведения под влиянием полученного сообщения, а именно посетить мероприятие, попробовать или купить продукт или услугу, поделиться с другими опытом использования продукта или услуги, впечатлениями от этого процесса и многое другое.

Другие авторы поддерживают точку зрения первых, но отмечают, что целевую аудиторию стоит делить на две части - центральную и периферическую. Первая состоит из людей, которые заинтересованы в определенном продукте или услуге, вторая же включает в себя людей, которые могут повлиять на решения, мнения или интересы людей, составляющих первую часть [Key, & Czaplewski, 2017].

Обе представленные выше точки зрения показывают, что целевая аудитория - это сложное понятие во многом благодаря тому, что человек подвержен влиянию из вне, поэтому во время анализа целевой аудитории необходимо не только изучить покупателей, но и факторы, которые могут повлиять на их решение.

Обычно целевую аудиторию анализируют по следующим критериям [Винокурова, Поздняков, & Кицул, 2013]:

- Географическим (регион или город проживания, характеристики места проживания);

- Демографическим (возраст, пол);

- Социально-экономическим (уровень дохода, образование, род деятельности);

- Психографическим (стиль жизни, характер);

- Поведенческим (отношение к компании, поведение и стимулы во время покупки).

Так первые три группы критериев позволяют определить границы целевой аудитории, а вместе с двумя последними группами критериев представляют поле данных для составления портрета целевой аудитории.

Стоит отметить, что список критериев может меняться в зависимости от специфики рынка, продукта или услуги, как и наиболее важные характеристики для анализа. Так, компании, связывающие свою деятельность с благотворительными кампаниями и различными движениями при анализе целевой аудитории обращают большое внимание на мнения людей, отношение ко всему, что связано с подобными кампаниями, поведенческие аспекты [Maibach, Leiserowitz, Roser-Renouf, & Mertz, 2011], в то время как компании, работающие на рынке медицины, больше интересуются тем, какой доход и статус имеют их потребители, связана ли их деятельность с индустрией красоты или спортом, а также источники знаний о медицине, которым посетители доверяют [Винокурова, Поздняков, & Кицул, 2013].

Что касается сбора данных, то исследователи предпочитают использовать анкеты и опросы в качестве базы для анализа целевой аудитории, дополняя при необходимости анализ исследованиями с использованием фокус-групп и глубинных интервью для более глубокой работы с психографическими и поведенческими параметрами [Винокурова, Поздняков, & Кицул, 2013].

Для анализа полученных данных обычно используются описательные статистики для определения ключевых характеристик целевой аудитории, а также кластерный анализ, позволяющий разбить целевую аудиторию на сегменты, чтобы точнее понять мотивацию и потребности людей, входящих в разные сегменты [Maibach, Leiserowitz, Roser-Renouf, & Mertz, 2011].

Однако, мировые тенденции заставляют исследователей менять и адаптировать методы сбора и анализа данных, использовать все новые и новые ресурсы для сбора информации, поэтому вопрос об определении источников сбора данных остается открытым. Во время разработки нового продукта или услуги перед сбором информации о покупателях необходимо определить размер собираемых данных: будут это данные по выборке или по всей генеральной совокупности, данные по скольким переменным будут собраны, каков объем собираемых данных. В некоторых случаях (особенно в рамках традиционного маркетинга) оправдано использование небольших наборов данных, главное преимущество которых заключается в том, что такие датасеты не занимают много места и могут храниться на компьютере маркетолога или исследователя. Для анализа и обработки таких данных не нужны дополнительные мощности или специальные устройства. Однако, при проведении некоторых маркетинговых исследований небольшие наборы данных недостаточны, поэтому используются большие данные [Corte-Real et al., 2016].

Некоторые исследователи считают, что в большинстве случаев использование больших и маленьких наборов данных в рамках одного исследования приводят к лучшим результатам, поскольку это приводит к увеличению степени полноты информации [Xu et al., 2016]. Авторы подчеркивают, что традиционные маркетинговые исследования опираются на эвристическое знание, в то время как анализ больших данных оперирует автоматически собираемыми знаниями, именно поэтому комбинация этих двух типов знаний увеличивает полноту охвата используемой информации. Ученые также описывают три типа данных, которые являются значимыми при создании нового продукта или услуги [Xu et al., 2016]:

- Список сайтов заинтересованных сторон (партнеров, конкурентов и т.д.);

- Информация о пользователях и продуктах с этих сайтов;

- Аналитические данные сайтов.

Следовательно, социальные сети могут использоваться в качестве подобного ресурса данных для идентификации целевой аудитории продукта или услуги, поскольку они предоставляют данные о пользователях, а также аналитику.

Социальная сеть - это сервис, основанный на веб-платформе и позволяющий его пользователям создавать личные страницы (профайлы) внутри данной платформы и коммуницировать с другими пользователями [Ellison, 2017]. Также при определении понятия «социальная сеть» зачастую подчеркивается возможность создания и распространения контента внутри платформы, а также возможность взаимодействия между пользователями [Filo et al., 2015]. Оба этих утверждения объединяет одна точка зрения: коммуникация упоминается в качестве главной функции социальных сетей, именно поэтому данные платформы должны использоваться в маркетинге, в том числе в маркетинговых исследованиях.

Существует бесчисленное количество примеров компаний, которые каким-либо образом используют социальные сети в рамках маркетинговой деятельности. Их можно разделить на группы согласно сетевым функциям, таким как [Alawan et al., 2017]:

- Реклама,

- Электронное «сарафанное радио» (electronic word-of-mouth),

- Управление взаимоотношениями с клиентами (CRM),

- Брендинг,

- Поведение и предпочтения покупателей.

Во-первых, социальные сети могут быть использованы в качестве платформы для рекламных кампаний. Они могут проводиться для разных целей, например, для уведомления о выходе нового продукта, для увеличения количества людей, желающих купить продукт или для повышения лояльности к бренду [Duffett, 2015]. Тем не менее, некоторые исследователи полагают, что есть случаи, при которых реклама на таких платформах, как Facebook, является неэффективной. Например, существует мнение, что студенты США игнорируют большую часть рекламы на Facebook, потому что эта реклама не соответствует их потребностям и желаниям [Bannister et al., 2013]. Однако, подобные работы не отрицают идею продвижения в социальных сетях, как таковую, указывая на то, что эффективность подобных кампаний зависит от качества определения, изучения и достижения целевой аудитории.

Во-вторых, социальные сети являются отличным средством обмена мнениями, идеями и опытом использования продукта или услуги, коммуникации с компаниями; подобная информация распространяется очень быстро среди огромного числа пользователей. Считается, что потенциальные клиенты предпочитают при принятии решений полагаться на мнения других людей об услуге или продукте, а не на информацию из рекламы и объявлений [Hudson et al., 2016]. По этой причине компаниям стоит попробовать контролировать информацию, распространяемую покупателями и потребителями о них и их товарах и услугах в социальных сетях.

В-третьих, социальные сети позволяют компаниям построить отношения с потребителями и управлять ими, однако, стоит учесть, что разные платформы предоставляют разные возможности. Так Facebook больше подходит для коммуникации с пользователями посредством сообщений и постов на странице компании, в то время как Twitter больше подходит для публикации интерактивного контента [Moore et al., 2013]. Следовательно, корректное управление страницами компании в социальных сетях может привести к увеличению лояльности потребителей и отдачи от маркетинговой деятельности компании.

В-четвертых, аккаунты в социальных сетях предоставляют компаниям возможность выстроить работу с брендом и изменить представления покупателей о нем по большей части используя посты на официальных страницах, что эффективнее, чем публиковать видео на официальном YouTube канале [Smith, & Gallicano, 2015]. Также отмечается, что посты должны быть гармоничными, цветными, интерактивными, а также занимать подходящее расположение на странице, чтобы быть замеченными как можно большим количеством пользователей [De Vries et al., 2012].

Наконец, информация из социальных сетей позволяет предсказывать поведение и предпочтения потребителей, например, доказан тот факт, что потребители стремятся собирать информацию о сравнивать альтернативы перед покупкой, используя подобные сайты [Drews, & Schemer, 2010]. Однако, некоторые исследователи считают, что социальные сети не могут позволить компаниям оценить мотивацию покупателей, а также не способствуют привлечению траффика на сайт компании [Leung, & Bai, 2013].

Перечисленные выше способы доказывают необходимость использования социальных сетей в рамках маркетинговой деятельности компании, в том числе в исследованиях, касающихся потребителей и целевой аудитории.

Перед проведением исследования стоит рассмотреть работы, которые посвящены предсказанию посещаемости каких-либо мероприятий или событий, в качестве примера использования данных из социальных сетей. Исследователи в данной области также отмечают, что литературы по данной теме существует недостаточно, однако, большой вклад в существующий объем работ внесли исследователи, доказавшие, что добавление данных о друзьях пользователей значимо улучшает модель, предсказываемую посещение того или иного мероприятия [Bogaert, Ballings, & Van den Poel, 2016].

Существующие работы в рамках предсказания посещаемости мероприятий можно поделить на три группы по используемым данным:

- Использующие данные о пользователях,

- Использующие данные сети,

- Использующие данные о пользователях и данные сети.

В данном случае данные о пользователях включают в себя информацию об интересах и предпочтениях пользователей, а также демографических показателях, а данные сети содержат в себе информацию о друзьях пользователей, их предпочтения, а также количество друзей, которые собираются посетить данное мероприятие. Стоит отметить, что во многих моделях используются данные, не входящие в группы, перечисленные выше. Например, тип мероприятия, роль пользователя на мероприятии, локация, данные о мероприятиях поблизости, время мероприятия, локация пользователя, день недели, длительность мероприятия [Mynatt, & Tullio, 2001], длительность мероприятия, посредством чего было сделано приглашение [Horvitz et al., 2002]. Также было показано, что предсказывать посещение мероприятий можно согласно нескольким концептам [Horvitz et al., 2002; Bogaert, Ballings, & Van den Poel, 2016]:

- Similarity Based Approach (SBA): основан на схожести между интересами пользователя и параметрами мероприятия;

- Relationship Based Approach (RBA): основан на предположении о том, что друзья в социальных сетях влияют на действия пользователя;

- History Based Approach (HBA): посещаемость зависит от предыдущего опыта пользователя;

- A Hybrid Approach (SRH): использование всех трех концептов одновременно.

Было доказано, что наилучший результат дает модель, использующая A Hybrid Approach (SRH) [Bogaert, Ballings, & Van den Poel, 2016]. Для анализа данных были использованы Байесовские сети и деревья принятия решения, на основании которых можно было понять, от чего зависит тот факт, придет ли пользователь на мероприятие или нет.

На область исследований, посвященных анализу целевой аудитории, можно перенести опыт из области предсказаний посещения мероприятий, касающийся концептов, поскольку люди часто подвержены влиянию мнения окружающих, то есть существует большая вероятность того, что добавление данных о друзьях в исследование поможет улучшить модель, которая предсказывает выбор продукта, услуги или бренда. Также для анализа можно использовать деревья решений, хотя они больше подходят для предсказания посещения мероприятий, поскольку в большинстве случаев посещение мероприятия можно рассматривать как одномоментное событие, а лояльность к товару, услуге (не одноразового пользования) и бренду в целом не является одномоментным событием, поскольку покупатель не отвечает один раз и навсегда на вопрос о том, будет ли он лоялен к данному товару, услуге или бренду всю жизнь. Следовательно, на первом этапе стоит оставить привычные методы анализа целевой аудитории, такие как описательные статистики, регрессионный анализ, кластерный анализ.

Также перед проведением исследования стоит рассмотреть работы, которые посвящены социальной сети ВКонтакте, ее особенностям, которые могут повлиять на работу отдела маркетинга, отличия от других платформ для продвижения, сбора данных и так далее. Важно знать, какие данные может предоставить социальная сеть, в каком виде, а также какие данные должны быть собраны, чтобы полностью использовать все возможности продвижения.

Главный инструмент продвижения компании, ее услуг и продуктов - группа в социальной сети. Как отмечается, наполнение группы должно быть в едином стиле, соответствующем бренду, а главная функция группы - стена с постами, которые следует публиковать не реже раза в сутки (зависит от специфики деятельности компании). Также группа не может быть эффективной без заполненной галерей с фотографиями, заполненной страницей с меню группы, где компания может подробно рассказать о себе, а также без обсуждений, которые позволяют получать обратную связь от потребителей [Роговский, 2010].

Стоит отметить, что интерфейс группы позволяет компании получать данные о подписчиках группы (под, возраст, страна) и о посещениях (когда, с каких устройств заходили, откуда заходили, на какие страницы заглядывали). Однако, если заглянуть на персональные страницы пользователей, то можно понять, что это лишь малая доля от всей той информации о пользователях, которая размещена на сайте ВКонтакте - пользователи также могут заполнять информацию об интересах, предпочтениях, взглядах, роде деятельности, близких родственниках, контактах. Все это может улучшить анализ целевой аудитории.

В социальной сети ВКонтакте существует два типа рекламы - рекламные объявления в левой части страницы, а также рекламные записи, которые отображаются среди постов в новостной ленте пользователя. Настройка рекламы (каким пользователям показывать данное рекламное сообщение) происходит по следующим параметрам пользователей [Тришанова, 2011]:

- Демографическим (возраст, пол, семейное положение);

- Географическим (местоположение пользователя);

- Социальным (данные о месте работы, учебных заведениях);

- Зонам интересов (музыка, кино, хобби и так далее).

Если сравнить параметры настройки рекламы с типами данных о пользователях, которые предоставляет аналитическое приложение для администраторов группы, то можно увидеть, что данных по последним двум группам не хватает для качественной настройки рекламы. Следовательно, эту недостающую информацию из социальных сетей необходимо получить другим образом.

Существуют исследования на основе данных из социальной сети ВКонтакте, собранных благодаря API - интерфейсу прикладного программирования социальных сетей. API социальных сетей состоит из форматов запросов, используя их можно создать программный код, позволяющий извлекать данные из социальных сетей [Дьяченко, 2016]. Стоит отметить, что ВКонтакте отличается функциональной полнотой использования API, то есть предоставляет пользователю использовать весь спектр возможностей данного интерфейса, включая сохранение и передачу данных [Широбокова, & Стрельцов, 2016].

Данная функция API уже была использована для проведения анализа целевой аудитории потенциальных абитуриентов и для проведения анализа изменения интересов студентов университета, однако, использовались только данные о поле, возрасте, местоположении пользователей, а также данные о списке групп и сообществ, в которых они состоят [Широбокова, Холодков, & Бейбалаев, 2016]. Следовательно, можно отметить, что возможности интерфейса API использовались в данных работах в малом количестве.

Подводя итоги, стоит отметить, что использование данных из социальных сетей в ходе маркетинговых исследований является одной из новейших тем, которая не изучена полностью. На данный момент не существует работ, содержащих в себе достаточного количества строчек кода для выкачивания данных из социальной сети ВКонтакте с их преобразованием для последующего применения. Также нет работ, показывающих объем и полноту данных, которые можно извлечь из данной платформы для проведения маркетингового исследования, в то время как возможности данной платформы являются неоспоримыми.



2. Методология исследования

целевой аудитория косметический социальный

Как было отмечено ранее, в последнее время были опубликованы исследовательские работы в области предсказания посещения мероприятий с помощью данных из социальных сетей Facebook и Twitter, а также работы, изучающие отличия работы социальной сети ВКонтакте в рамках маркетинговой деятельности в сравнении с другими социальными сетями. Существует недостаток в работах, касающихся проведения маркетинговых исследований на основе данных из социальных сетей, в том числе исследований, посвященных анализу целевой аудитории продукта, услуги или бренда в социальной сети ВКонтакте. Также не существует какого-либо ресурса, описывающего процесс и метод сбора данных из социальной сети ВКонтакте, который мог бы облегчить сбор данных для исследователей и маркетологов, которые не обладают серьезными навыками программирования.

Данная работа призвана положить начало заполнению недостающей исследовательской области, поэтому ее целью является разработка метода идентификации целевой аудитории на основе данных из социальных сетей. Для этого необходимо разработать и описать метод сбора данных, который будет реально адаптировать под любую компанию, а также легко адаптируемый метод анализа данных. После необходимо составить рекомендации по использованию полученного метода и проанализировать его, описав преимущества и недостатки, в том числе в сравнении с другими методами.

В основу метода сбора данных были положены инструменты из маркетинговых исследований, извлечение информации в которых производилось с помощью API, что позволит выкачать большой объем данных из социальной сети ВКонтакте, а в части работы, касающейся анализа данных, были использованы инструменты, привычные для анализа целевой аудитории и анализа принятия решения - описательные статистики для выявления ключевых характеристик аудитории продукта, услуги или бренда, регрессионный анализ, позволяющий понять, есть ли значимая разница между покупателями конкурирующих компаний или брендов, факторный анализ для уменьшения количества переменных, кластерный анализ для разделения целевой аудитории на более мелкие группы со схожими характеристиками. В случае данной работы информация о пользователях была собрана с помощью специально написанного кода на языке программирования R.

Несмотря на то, что в теоретическом основании рассматривались работы, посвященные предсказанию посещения мероприятия, в которых использовались деревья решения, этот метод анализа данных не был использован в данном случае, поскольку решение о посещении мероприятия можно считать одномоментным, а решение о выборе продукта, услуги или приверженности бренду - нет. Вместо деревьев решений был использован регрессионный анализ, который позволяет определить существенные отличия между характеристиками покупателей двух или более конкурирующих продуктов, услуг или брендов, благодаря t-тестам на значимость различий, а процент объясненной дисперсии (R²) поможет понять, какой процент случаев можно объяснить с использованием данных переменных.

Метод показан на примере трех брендов косметики - AVON, Oriflame и Faberlic. Для анализа были использованы данные о подписчиках их официальных групп в социальной сети ВКонтакте.

Итак, в ходе исследования были выполнены следующие этапы в следующей последовательности: сначала был разработан специальный код, написанный с помощью языка программирования R и пакета vkR, позволяющий выкачивать данные о подписчиках официальных групп, затем были собраны данные о подписчиках официальных групп трех брендов косметики (AVON, Oriflame и Faberlic), которые в последствии были преобразованы и закодированы для удобного последующего использования. После были составлены таблицы с описательными статистиками для выявления характерных особенностей целевых аудиторий данных брендов, построены регрессии, которые проверяли данные на наличие значимых различий между брендами, а также то, можно ли предсказать, к какому из брендов будет лоялен пользователь. Для уменьшения количества используемых переменных был проведен факторный анализ, а затем снова были построены регрессии. Затем была осуществлена попытка провести кластерный анализ. Все перечисленные этапы подробно описаны далее.

Разработка кода и сбор данных были произведены с учетом всех ограничений сайта ВКонтакте, интерфейса API и пакета vkR. Так для сбора данных необходимо было создать приложение в социальной сети ВКонтакте, поскольку по сути данное приложение нужно было только для сбора данных, то у него не было пользователей, соответственно интерфейс API позволял отправлять только 3 запроса в секунду без ошибок согласно частотным ограничениям. Максимальное число обращений увеличивается с увеличением количества людей, использующих приложение, до 35 запросов в секунду при количестве пользователей приложения больше 1 млн, что позволит компаниям, проводящих исследования с помощью своих маркетинговых отделов, выкачивать данные для анализа быстрее. Помимо частотных ограничений существуют количественные ограничения - при повторяющихся запросах однотипных методов после превышения определенного лимита может быть временно приостановлена работа данного метода, в то же время сервер готов обрабатывать любые другие запросы. Точные границы количественных ограничений неизвестны. Оба этих ограничения усложняют работу по выкачиванию данных, поскольку время на сбор данных существенно увеличивается - приходится ставить временные промежутки после запросов, чтобы на работу не влияло частотное ограничение (в случае попадания под частотное ограничение высвечивается ошибка, а вместо ожидаемого ответа возвращается 0), также приходится следить за выполнением работы, чтобы приостанавливать на время извлечение данных при реализации количественного ограничения.

Также работу усложняет тот факт, что количество функций пакета vkR ограничено. Так для авторизации использовалась функция vkOAuth, для установки связи - функция setAccessToken, для выкачивания id подписчиков групп использовалась функция getGroupsMembers, для выкачивания данных о пользователях - функция getUsers, существует функция areFriends, которая позволяет проверить, являются ли два пользователя друзьями или нет, однако, функции, способной вернуть количество друзей пользователя, подписанных на определенную группу, не существует, что значительно усложняет сбор данных о друзьях пользователя.

В первую очередь проводилась авторизация и установка связи с сервером, после с помощью функции getGroupsMembers при вводе id группы выкачивались id ее подписчиков. Поскольку за один запрос функция может получить только 1000 значений, был использован цикл, устанавливающий значение сдвига для каждого этапа цикла и сохраняющий данные каждого запроса. После данные по одной группе были объединены в один набор данных, соответственно, получилось три набора данных - по одному для каждой группы. Далее с помощью функции getUsers при введении id пользователя возвращалась таблица с данными о пользователях по следующим переменным:

- first_name - имя,

- last_name - фамилия,

- deactivated - значение «deleted» означает, что во время запроса пользователь значится как удаленный, значение «banned» означает, что во время запроса пользователь значится как заблокированный, в иных случаях значение не возвращается (в ячейке пусто),

- sex - пол, где 1 - женский, 2 - мужской, 0 - не определен,

- domain - домен (равен id, если пользователь его не изменял),

- can_post - можно ли оставлять записи на стене (1 - да, 0 - нет),

- can_write_private_message - можно ли писать личное сообщение (1 - да, 0 - нет),

- nickname - никнейм (если есть),

- screen_name - соответствует переменной domain,

- has_mobile - указал ли мобильный телефон (1 - да, 0 - нет),

- wall_comments - можно ли комментировать записи на стене пользователя (1 - да, 0 - нет),

- can_see_all_posts - можно ли увидеть все записи на стене (1 - да, 0 - нет),

- can_see_audio - можно ли увидеть список аудиозаписей (1 - да, 0 - нет),

- facebook - Facebook id, если указан аккаунт,

- facebook_name - имя на Facebook, если указан аккаунт,

- instagram - аккаунт в Instagram, если указан,

- site - адрес сайта, если указан,

- status - статус на момент запроса, если указан,

- verified - подтвержден ли аккаунт (1 - да, 0 - нет),

- followers_count - число подписчиков (не входит число друзей),

- common_count - число общих друзей (сравнивает с аккаунтом, на основе которого проходила авторизация),

- university - id университета (последнего указанного),

- university_name - название университета (последнего указанного),

- faculty - id факультета (последнего указанного),

- faculty_name - название факультета (последнего указанного),

- graduation - год выпуска,

- home_town - название родного города,

- relation - семейное положение (1 - не женат / не замужем, 2 - встречаюсь, 3 - полмолвлен(а), 4 - женат / замужем, 5 - все сложно, 6 - в активном поиске, 7 - влюблен(а)),

- interests - текст из графы «интересы»,

- music - текст из графы «любимая музыка»,

- activities - текст из графы «деятельность»,

- movies - текст из графы «любимые фильмы»,

- tv - текст из графы «любимые телешоу»,

- books - текст из графы «любимые книги»,

- games - текст из графы «любимые игры»,

- universities - список всех указанных университетов на странице пользователя,

- schools - список всех указанных школ на странице пользователя,

- about - текст из графы «о себе»,

- relatives - список всех указанных родственников,

- quotes - текст из графы «любимые цитаты»,

- education_form - принимает значения «экстернат», «очное отделение», «очно-заочное отделение», «заочное отделение», «дистанционное обучение»,

- education_status - принимает значения «абитуриент», «аспирант», «выпускник (бакалавр)», «выпускник (специалист)», «выпускник (магистр)», «доктор наук», «кандидат наук», «студент (бакалавр)», «студент (специалист)», «студент (магистр)» и другие,

- bdate - дата рождения, если есть,

- mobile_phone - мобильный телефон, если есть,

- home_phone - домашний телефон, если есть,

- twitter - аккаунт Twitter, если есть,

- skype - аккаунт Skype, если есть,

- livejournal - аккаунт Live Journal, если есть,

- city.id - id указанного города проживания,

- city.title - название указанного города проживания,

- country.id - id указанной страны проживания,

- country.title - название указанной страны проживания,

- personal.political - политические предпочтения (1 - коммунистические, 2 - социалистические, 3 - умеренные, 4 - либеральные, 5 - консервативные, 6 - монархические, 7 - ультраконсервативные, 8 - индифферентные, 9 - либертарианские),

- personal.langs - указанные языки, которыми владеет пользователь,

- personal.religion - мировоззрение,

- personal.inspired_by - что вдохновляет,

- personal.people_main - главное в людях (1 - ум и креативность, 2 - доброта и честность, 3 - красота и здоровье, 4 - власть и богатство, 5 - смелость и упорство, 6 - юмор и жизнелюбие),

- personal.life_main - главное в жизни (1 - семья и дети, 2 - карьера и деньги, 3 - развлечения и отдых, 4 - наука и исследования, 5 - совершенствование мира, 6 - саморазвитие, 7 - красота и искусство, 8 - слава и влияние),

- personal.smoking - отношение к курению по шкале от 1 до 5, где 1 - резко негативное, 5 - положительное,

- personal.alcohol отношение к алкоголю по шкале от 1 до 5, где 1 - резко негативное, 5 - положительное,

- occupation.type - тип занятости на данный момент, принимает значения «school», «university» или «work»,

- occupation.id - id места занятости,

- occupation.name - название места занятости,

- relation_partner.id - id человека, указанного в графе «семейное положение»,

- relation_partner.first_name - имя человека, указанного в графе «семейное положение»,

- relation_partner.last_name - фамилия человека, указанного в графе «семейное положение».

Также выводились переменные, характеризующие аудио, играющее в статусе пользователя в момент запроса к API, а также переменные-счетчики, подсчитывающие число друзей, видео, фотографий и так далее, однако, функция работала неверно и возвращала пустые ячейки вместо данных, поэтому столбики с данными переменными были впоследствии убраны.

После были произведены следующие изменения с переменными:

1) изменены настройки языка для всех переменных, чтобы кириллические символы отображались верно,

2) перекодированы переменные, возвращающие фиксированное количество вариантов текстовых ответов - education_form, education_status, occupation_type; теперь каждому текстовому значению соответствует числовое,

3) добавлены переменные, показывающие, указана ли та или иная информация (принимают значение 1, если указана, и 0, если не указана):

a. nickname_1 - никнейм,

b. status_1 - в статусе,

c. interests_1 - в графе «интересы»,

d. music_1 - в графе «любимая музыка»,

e. activities_1 - в графе «деятельность»,

f. movies_1 - в графе «любимые фильмы»,

g. tv_1 - в графе «любимые телешоу»,

h. books_1 - в графе «любимые книги»,

i. games_1 - в графе «любимые игры»,

j. about_1 - в графе «о себе»,

k. quotes_1 - в графе «любимые цитаты»,

l. universities_1 - об университетах,

m. schools_1 - о школах,

n. education_form_1 - о форме образования,

o. education_status_1 - о статусе образования,

p. relatives_1 - о родственниках,

q. facebook_1 - об аккаунте на Facebook,

r. instagram_1 - об аккаунте в Instagram,

s. site_1 - о сайте,

t. mobile_phone_1 - о номере мобильного телефона,

u. home_phone_1 - о номере домашнего телефона,

v. twitter_1 - об аккаунте Twitter,

w. skype_1 - об аккаунте Skype,

x. livejournal_1 - об аккаунте Live Journal,

y. ps_politics - о политических предпочтениях,

z. ps_langs - о языках.

aa. ps_relig - о мировоззрении,

bb. ps_insp - о том, что вдохновляет,

cc. ps_people - о том, что главное в людях,

dd. ps_life - о том, что главное в жизни,

ee. ps_smoking - об отношении к курению,

ff. ps_alcohol - об отношении к алкоголю,

gg. relation_partner_1 - о партнере в графе «семейное положение»;

4) добавлены переменные, показывающие, выполнено ли условие (принимают значение 1, если выполняют, и 0, если не выполняют):

a. domain_1 - отличается ли домен от id,

b. avon - состоит ли пользователь в официальной группе AVON (1 - да, 0 - нет),

c. oriflame - состоит ли пользователь в официальной группе Oriflame (1 - да, 0 - нет),

d. faberlic - состоит ли пользователь в официальной группе Faberlic (1 - да, 0 - нет);

5) добавлены переменные, подсчитывающие количество символов:

a. domain_2 - количество символов в домене, если он отличается от id,

b. nickname_2 - количество символов в никнейме, если есть;

6) добавлены другие преобразующие переменные:

a. pers_info - среднее значение по переменным interests_1, music_1, activities_1, movies_1, tv_1, books_1, games_1, about_1, quotes_1,

b. edu_info - среднее значение по переменным universities_1, schools_1, education_form_1, education_status_1,

c. bd_year_1 - год рождения,

d. bd_month_1 - месяц рождения,

e. bdZodiac - знак зодиака,

f. contacts - среднее значение по переменным facebook_1, instagram_1, site_1, mobile_phone_1, home_phone_1, twitter_1, skype_1, livejournal_1,

g. ps_info - среднее значение по переменным ps_politics, ps_relig, ps_insp, ps_people, ps_life, ps_smoking, ps_alcohol,

h. home_town_1 - родной город, где 1 - Москва, 2 - Санкт-Петербург, 3 - другое,

i. X2 - переменная, включающая в себя все вариации взаимодействия переменных avon, oriflamme, faberlic (1 - пользователь состоит только в официальной группе AVON, 2 - пользователь состоит только в официальной группе Oriflame, 3 - пользователь состоит только в официальной группе Faberlic, 4 - пользователь состоит в официальных группах AVON и Oriflame, 5 - пользователь состоит в официальных группах AVON и Faberlic, 6 - пользователь состоит в официальных группах Oriflame и Faberlic, 7 - пользователь состоит в официальных группах всех трех брендов);

7) Добавлены фиктивные переменные, соответствующие порядковым переменным:

a. dummy_sex - пол, где 1 - женский, 0 - мужской,

b. от dummy_rel_1 до dummy_rel_7, где номер соответствует одному из вариантов переменной relation,

c. dummy_htown - родной город, где 1 - Москва и Санкт-Петербург, 0 - другое,

d. avon_only, oriflame_only, faberlic_only, avon_oriflame, avon_faberlic, oriflame_faberlic, avon_oriflame_faberlic - соответствуют вариантам переменной X2,

e. от dummy_edu_form_1 до dummy_edu_form_5, где номер соответствует одному из вариантов переменной education_form,

f. от dummy_edu_status_1 до dummy_edu_status_10, где номер соответствует одному из вариантов переменной education_status,

g. от dummy_Zodiac_1 до dummy_Zodiac_12, где номер соответствует одному из вариантов переменной bdZodiac,

h. от dummy_pol_1 до dummy_pol_9, где номер соответствует одному из вариантов переменной personal.political,

i. от dummy_people_1 до dummy_people_6, где номер соответствует одному из вариантов переменной personal.people_main,

j. от dummy_life_1 до dummy_life_8, где номер соответствует одному из вариантов переменной personal.life_main,

k. от dummy_relig_1 до dummy_relig_10, где номер соответствует одному из вариантов переменной personal.relig,

l. от dummy_occ_1 до dummy_occ_3, где номер соответствует одному из вариантов переменной occupation.type.

После была произведена попытка собрать данные об общем количестве друзей каждого пользователя и о количестве друзей, подписанных на одну из трех групп. В первом случае была использована функция getFriends, во втором случае были сделаны четыре списка id пользователей - первый состоял из всех пользователей, участвующих в анализе, второй только из подписчиков официальной группы AVON, третий только из подписчиков официальной группы Oriflame и четвертый только из подписчиков официальной группы Faberlic - после чего первый список поочередно сопоставлялся с одним из оставшихся трех списков в помощью функции areFriends, позволяющей узнать, являются ли два пользователя друзьями. Однако, сбор данных с помощью этого метода долгий, поскольку необходимо сделать количество запросов равное общему количеству id в базе, возведенному в квадрат, что исчисляется в триллионах операций. При этом, согласно частотному ограничению, запросов не должно быть больше 3 в секунду, поэтому для отправки такого количества запросов при данных условиях необходимо около 300 тысяч дней. Следовательно, в будущем необходимо найти другой вариант извлечения этих данных, который бы требовал меньших временных ресурсов; в данной работе нет возможности добавить в модель данные о друзьях пользователей.

Существует еще одна особенность функций, входящих в пакет vkR - большинство операций прекращается, когда программа натыкается на заблокированного или забаненного пользователя в запросе (исключение составляет только функция getUsers), при этом обновление данных по параметру deactivated не решает проблему, поскольку очень часто удаляют или блокируют пользователей. Решением данной проблемы являются функции try и tryCatch, которые позволяют продолжать цикл запросов даже при попадании ошибки в виде заблокированного пользователя, при чем во втором случае можно указать значение, которое принимает клетка, если высвечивается ошибка.

Также стоит отметить некоторые особенности данных о пользователях из ВКонтакте. Некоторое время назад было популярно использовать разнообразные символы при заполнении граф с персональной информацией, строчные и прописные буквы вперемешку, неправильное написание слов, создание картинок из символов, что усложняет работу с данными. Извлечение данных символов также является проблематичным, поскольку могут быть извлечены также символы, которые позволяют разделять словосочетания, например, названия музыкальных групп, между собой. Помимо всего прочего, некоторые пользователи в графе «мобильный телефон» и «домашний телефон» могут использовать текст или несуществующий номер, так же происходит и с графой «сайт».

После сбора данных и их преобразования были использованы описательные статистики, отдельно для метрических переменных и отдельно для номинальных и порядковых, поскольку для анализа первых подходят такие статистики, как среднее значение, минимум, максимум, стандартное отклонение, а для анализа вторых - частоты. Во-первых, был описан весь массив данных для того, чтобы представлять, какими характеристиками обладает весь массив данных, который подвергается анализу. Во-вторых, пользователи были разбиты на группы по вариантам номинальной переменной X2, то есть на шесть групп:

- пользователи, подписанные только на официальное сообщество AVON,

- пользователи, подписанные только на официальное сообщество Oriflame,

- пользователи, подписанные только на официальное сообщество Faberlic,

- пользователи, подписанные на официальные сообщества AVON и Oriflame,

- пользователи, подписанные на официальные сообщества AVON и Faberlic,

- пользователи, подписанные на официальные сообщества Oriflame и Faberlic,

- пользователи, подписанные на все три официальных сообщества, используемых в анализе.

Этот процесс позволяет выявить, есть ли явные различия между подписчиками данных групп или же группы сходи между собой.

Затем на основании бинарных, порядковых и метрических переменных были построены шесть регрессий, соответствующих каждой из шести групп, позволяющие определить, есть ли значимые отличия между одной группой по сравнению с остальными и можно ли предсказать выбор пользователя одной из групп или комбинации групп для подписки на их новости. Регрессии были проанализированы по включенным в них переменным, их значимости, степени влияния на зависимую переменную, а также по проценту объясненной дисперсии.

Следующим шагом было проведение факторного анализа для группировки и уменьшения количества переменных, поскольку при отборе переменных для регрессий участвовало порядка 80 переменных, после чего снова были построены шесть регрессий. Однако, стоит отметить, что факторный анализ усложняет интерпретацию регрессий, поскольку каждый фактор включает в себя несколько переменных.

...