Анализ целевой аудитории социальных сетей

df_unique_2 $skype_1 < - NA

df_unique_2 = df_unique_2 [, c(1:67, 99, 68:98)]

df_unique_2 $skype_1 [is.na (df_unique_2 $skype)] < - 0

df_unique_2 $skype_1 [is.na (df_unique_2 $skype_1)] < - 1

df_unique_2 $livejournal_1 < - NA

df_unique_2 = df_unique_2 [, c(1:69, 100, 70:99)]

df_unique_2 $livejournal_1 [is.na (df_unique_2 $livejournal)] < - 0

df_unique_2 $livejournal_1 [is.na (df_unique_2 $livejournal_1)] < - 1

attach (df_unique_2)

df_unique_2 $contacts < - (mobile_phone_1 + home_phone_1 + twitter_1 + skype_1 + livejournal_1 + facebook_1 + instagram_1 + site_1)/8

detach (df_unique_2)

df_unique_2 = df_unique_2 [, c(1:17, 25:60, 18:24, 61:70, 101, 71:100)]

На следующем шаге создаем переменные universities_1, schools_1, relatives_1, education_status_1, education_form_1, которые принимают значение 1, если пользователь указал информацию об университете(-ах), в котором(-рых) он учился, о школе(-ах), родственниках, статусе и форме образования соответственно, и 0 в противном случае, а также переменную edu_info, которая считает среднее значение по переменным universities_1, schools_1, education_status_1, education_form_1, характеризуя степень заполнения информации об обучении:

df_unique_2 $universities_1 < - NA

df_unique_2 = df_unique_2 [, c(1:48, 102, 49:101)]

df_unique_2 $universities_1 [is.na (df_unique_2 $universities)] < - 0

df_unique_2 $universities_1 [df_unique_2 $universities == «NULL»] < - 0

df_unique_2 $universities_1 [df_unique_2 $universities == «list()»] < - 0

df_unique_2 $universities_1 [is.na (df_unique_2 $universities_1)] < - 1

df_unique_2 $schools_1 < - NA

df_unique_2 = df_unique_2 [, c(1:50, 103, 51:102)]

df_unique_2 $schools_1 [is.na (df_unique_2 $schools)] < - 0

df_unique_2 $schools_1 [df_unique_2 $schools == «NULL»] < - 0

df_unique_2 $schools_1 [df_unique_2 $schools == «list()»] < - 0

df_unique_2 $schools_1 [is.na (df_unique_2 $schools_1)] < - 1

df_unique_2 $relatives_1 < - NA

df_unique_2 = df_unique_2 [, c(1:52, 104, 53:103)]

df_unique_2 $relatives_1 [is.na (df_unique_2 $relatives)] < - 0

df_unique_2 $relatives_1 [df_unique_2 $relatives == «NULL»] < - 0

df_unique_2 $relatives_1 [df_unique_2 $relatives == «list()»] < - 0

df_unique_2 $relatives_1 [is.na (df_unique_2 $relatives_1)] < - 1

df_unique_2 $education_form_1 < - NA

df_unique_2 = df_unique_2 [, c(1:54, 105, 55:104)]

df_unique_2 $education_form_1 [is.na (df_unique_2 $education_form)] < - 0

df_unique_2 $education_form_1 [df_unique_2 $education_form == «NULL»] < - 0

df_unique_2 $education_form_1 [df_unique_2 $education_form == «list()»] < - 0

df_unique_2 $education_form_1 [is.na (df_unique_2 $education_form_1)] < - 1

df_unique_2 $education_status_1 < - NA

df_unique_2 = df_unique_2 [, c(1:56, 106, 57:105)]

df_unique_2 $education_status_1 [is.na (df_unique_2 $education_status)] < - 0

df_unique_2 $education_status_1 [df_unique_2 $education_status == «NULL»] < - 0

df_unique_2 $education_status_1 [df_unique_2 $education_status == «list()»] < - 0

df_unique_2 $education_status_1 [is.na (df_unique_2 $education_status_1)] < - 1

attach (df_unique_2)

df_unique_2 $edu_info < - (universities_1 + schools_1 + education_status_1 + education_form_1)/4

detach (df_unique_2)

df_unique_2 = df_unique_2 [, c(1:57, 107, 58:106)]

Также стоит убрать данные об аудиозаписях, транслировавшихся в статус пользователей на момент выкачивания данных, поскольку эти данные описывают только ситуацию на момент извлечения данных, а не ситуацию в целом:

df_unique_2 = df_unique_2 [, c(1:92, 102:107)]

После можно обработать данные, касающиеся даты рождения. Стоит отметить, что информация может быть представлена как с указанием года рождения, так и без. Из этой информации можно извлечь данные о годе рождения пользователя, месяце рождения, а также знаке зодиака:

df_unique_2 $bdyear_1 < - as.numeric (format(as. Date (df_unique_2 $bdate, format = ' % d.%m.%Y'), ' % Y'))

df_unique_2 = df_unique_2 [, c(1:59, 99, 60:98)]

df_unique_2 $bdmonth_1 < - as.numeric (format(as. Date (df_unique_2 $bdate, format = ' % d.%m'), ' % m'))

df_unique_2 = df_unique_2 [, c(1:60, 100, 61:99)]

library(DescTools)

df_unique_2 $bdZodiac < - Zodiac (as. Date (df_unique_2 $bdate, format = ' % d.%m'))

df_unique_2 $bdZodiac < - as.character (df_unique_2 $bdZodiac)

df_unique_2 = df_unique_2 [, c(1:61, 101, 62:100)]

Далее обрабатываем переменные, которые выкачивали данные с раздела «жизненная позиция». Посредством данных функций будут созданы переменные ps_politics, ps_relig, ps_insp, ps_people, ps_life, ps_smoking, ps_alcohol, которые принимают значение 1, если пользователь заполнил графы «политические предпочтения», «мировоззрение», «вдохновляют», «главное в людях», «главное в жизни», «отношение к курению» и «отношение к алкоголю» сответственно, и 0 в противном случае, а также переменная ps_langs, принимающая значение 1, если пользователь указал языки, на которых может разговаривать, и 0, если не указал таковых. Также будет создана переменная ps_info, характеризующая степень заполнения информации о жизненной позиции:

df_unique_2 $ps_politics < - NA

df_unique_2 $ps_politics [is.na (df_unique_2 $personal.political)] < - 0

df_unique_2 $ps_politics [is.na (df_unique_2 $ps_politics)] < - 1

df_unique_2 $ps_langs < - NA

df_unique_2 $ps_langs [is.na (df_unique_2 $personal.langs)] < - 0

df_unique_2 $ps_langs [df_unique_2 $personal.langs == «NULL»] < - 0

df_unique_2 $ps_langs [is.na (df_unique_2 $ps_langs)] < - 1

df_unique_2 $ps_relig < - NA

df_unique_2 $ps_relig [is.na (df_unique_2 $personal.religion)] < - 0

df_unique_2 $ps_relig [is.na (df_unique_2 $ps_relig)] < - 1

df_unique_2 $ps_insp < - NA

df_unique_2 $ps_insp [is.na (df_unique_2 $personal.inspired_by)] < - 0

df_unique_2 $ps_insp [is.na (df_unique_2 $ps_insp)] < - 1

df_unique_2 $ps_people < - NA

df_unique_2 $ps_people [is.na (df_unique_2 $personal.people_main)] < - 0

df_unique_2 $ps_people [is.na (df_unique_2 $ps_people)] < - 1

df_unique_2 $ps_life < - NA

df_unique_2 $ps_life [is.na (df_unique_2 $personal.life_main)] < - 0

df_unique_2 $ps_life [is.na (df_unique_2 $ps_life)] < - 1

df_unique_2 $ps_smoking < - NA

df_unique_2 $ps_smoking [is.na (df_unique_2 $personal.smoking)] < - 0

df_unique_2 $ps_smoking [is.na (df_unique_2 $ps_smoking)] < - 1

df_unique_2 $ps_alcohol < - NA

df_unique_2 $ps_alcohol [is.na (df_unique_2 $personal.alcohol)] < - 0

df_unique_2 $ps_alcohol [is.na (df_unique_2 $ps_alcohol)] < - 1

df_unique_2 = df_unique_2 [, c(1:92, 102:109, 93:101)]

attach (df_unique_2)

df_unique_2 $ps_info < - (ps_politics + ps_relig + ps_insp + ps_people + ps_life + ps_smoking + ps_alcohol)/7

detach (df_unique_2)

df_unique_2 = df_unique_2 [, c(1:100, 110, 101:109)]

Также создаем переменную relation_partner_1, принимающую значение 1, если указан партнер в графе «семейное положение», и 0, если не указан:

df_unique_2 $relation_partner_1 < - NA

df_unique_2 $relation_partner_1 [is.na (df_unique_2 $relation_partner.id)] < - 0

df_unique_2 $relation_partner_1 [is.na (df_unique_2 $relation_partner_1)] < - 1

df_unique_2 = df_unique_2 [, c(1:107, 111, 108:110)]

Дальше для использования массива данных в SPSS Statistics необходимо удалить переменные, содержащие текст, либо закодировать их, если количество вариантов ограничено. Так придется удалить переменные, содержащие то, что указано в статусе, никнейме и других текстовых полях, поскольку SPSS не умеет обрабатывать текстовые данные:

df_unique_csv = df_unique_2 [, c(1:47, 49, 51, 53:85, 87:111)]

df_unique_csv = df_unique_csv [, c(1:5, 7:10, 12:17, 19:22, 24, 26:28, 30, 32, 34, 36, 38, 40, 42, 44, 46:59, 62, 64, 66, 68, 70, 72, 74, 76:83, 85:100, 104:107)]

Необходимо закодировать переменную, отвечающую за статус обучения:

df_unique_csv$education_status [df_unique_csv$education_status == «Абитуриент»] < - 1

df_unique_csv$education_status [df_unique_csv$education_status == «Абитуриентка»] < - 1

df_unique_csv$education_status [df_unique_csv$education_status == «Адъюнкт»] < - 11

df_unique_csv$education_status [df_unique_csv$education_status == «Аспирант»] < - 2

df_unique_csv$education_status [df_unique_csv$education_status == «Аспирантка»] < - 2

df_unique_csv$education_status [df_unique_csv$education_status == «Ассистент-стажёр»] < - 11

df_unique_csv$education_status [df_unique_csv$education_status == «Выпускник (бакалавр)»] < - 3

df_unique_csv$education_status [df_unique_csv$education_status == «Выпускник (специалист)»] < - 4

df_unique_csv$education_status [df_unique_csv$education_status == «Выпускник (магистр)»] < - 5

df_unique_csv$education_status [df_unique_csv$education_status == «Выпускница (бакалавр)»] < - 3

df_unique_csv$education_status [df_unique_csv$education_status == «Выпускница (магистр)»] < - 5

df_unique_csv$education_status [df_unique_csv$education_status == «Выпускница (специалист)»] < - 4

df_unique_csv$education_status [df_unique_csv$education_status == «Доктор наук»] < - 6

df_unique_csv$education_status [df_unique_csv$education_status == «Докторант»] < - 11

df_unique_csv$education_status [df_unique_csv$education_status == «Интерн»] < - 11

df_unique_csv$education_status [df_unique_csv$education_status == «Кандидат наук»] < - 7

df_unique_csv$education_status [df_unique_csv$education_status == «Клинический ординатор»] < - 11

df_unique_csv$education_status [df_unique_csv$education_status == «Соискательница»] < - 11

df_unique_csv$education_status [df_unique_csv$education_status == «Студент (бакалавр)»] < - 8

df_unique_csv$education_status [df_unique_csv$education_status == «Студент (магистр)»] < - 9

df_unique_csv$education_status [df_unique_csv$education_status == «Студент (специалист)»] < - 10

df_unique_csv$education_status [df_unique_csv$education_status == «Студентка (бакалавр)»] < - 8

df_unique_csv$education_status [df_unique_csv$education_status == «Студентка (магистр)»] < - 9

df_unique_csv$education_status [df_unique_csv$education_status == «Студентка (специалист)»] < - 10



Также необходимо закодировать переменную, определяющую форму образования:

df_unique_csv$education_form [df_unique_csv$education_form == «Экстернат»] < - 1

df_unique_csv$education_form [df_unique_csv$education_form == «Очное отделение»] < - 2

df_unique_csv$education_form [df_unique_csv$education_form == «Очно-заочное отделение»] < - 3

df_unique_csv$education_form [df_unique_csv$education_form == «Заочное отделение»] < - 4

df_unique_csv$education_form [df_unique_csv$education_form == «Дистанционное обучение»] < - 5

А также переменную, значения которой соответствуют знакам зодиака:

df_unique_csv$bdZodiac [df_unique_csv$bdZodiac == «Aries»] < - 1

df_unique_csv$bdZodiac [df_unique_csv$bdZodiac == «Taurus»] < - 2

df_unique_csv$bdZodiac [df_unique_csv$bdZodiac == «Gemini»] < - 3

df_unique_csv$bdZodiac [df_unique_csv$bdZodiac == «Cancer»] < - 4

df_unique_csv$bdZodiac [df_unique_csv$bdZodiac == «Leo»] < - 5

df_unique_csv$bdZodiac [df_unique_csv$bdZodiac == «Virgo»] < - 6

df_unique_csv$bdZodiac [df_unique_csv$bdZodiac == «Libra»] < - 7

df_unique_csv$bdZodiac [df_unique_csv$bdZodiac == «Scorpio»] < - 8

df_unique_csv$bdZodiac [df_unique_csv$bdZodiac == «Sagittarius»] < - 9

df_unique_csv$bdZodiac [df_unique_csv$bdZodiac == «Capricorn»] < - 10

df_unique_csv$bdZodiac [df_unique_csv$bdZodiac == «Aquarius»] < - 11

df_unique_csv$bdZodiac [df_unique_csv$bdZodiac == «Pisces»] < - 12



Также необходимо закодировать переменную, касающуюся мировоззрения:

df_unique_csv$personal.relig < - NA

df_unique_csv$personal.relig [df_unique_csv$personal.religion == «Иудаизм»] < - 1

df_unique_csv$personal.relig [df_unique_csv$personal.religion == «Православие»] < - 2

df_unique_csv$personal.relig [df_unique_csv$personal.religion == «Католицизм»] < - 3

df_unique_csv$personal.relig [df_unique_csv$personal.religion == «Протестантизм»] < - 4

df_unique_csv$personal.relig [df_unique_csv$personal.religion == «Ислам»] < - 5

df_unique_csv$personal.relig [df_unique_csv$personal.religion == «Буддизм»] < - 6

df_unique_csv$personal.relig [df_unique_csv$personal.religion == «Конфуцианство»] < - 7

df_unique_csv$personal.relig [df_unique_csv$personal.religion == «Светский гуманизм»] < - 8

df_unique_csv$personal.relig [df_unique_csv$personal.religion == «Пастафарианство»] < - 9

df_unique_csv$personal.relig [is.na (df_unique_csv$personal.relig)] < - 10

И переменную, отвечающую за тип занятости:

df_unique_csv$occupation.type [df_unique_csv$occupation.type == «school»] < - 1

df_unique_csv$occupation.type [df_unique_csv$occupation.type == «university»] < - 2

df_unique_csv$occupation.type [df_unique_csv$occupation.type == «work»] < - 3

df_unique_csv$occupation.type [is.na (df_unique_csv$occupation.type)] < - 0

А также переменную, отвечающую за родной город:

df_unique_csv$home_town_1 [df_unique_csv$home_town == «Москва»] < - 1

df_unique_csv$home_town_1 [df_unique_csv$home_town == «Санкт-Петербург»] < - 2

df_unique_csv$home_town_1 [is.na (df_unique_csv$home_town_1)] < - 0

После необходимо очистить данные от лишних символов, чтобы чтение.csv файла прошло без ошибок и сохранить файл:

library(stringr)

df_unique_csv$home_town < - str_replace_all (df_unique_csv$home_town, «[^[:alnum:]]», «»)

df_unique_csv = df_unique_csv [, c(1, 4:59, 61:81)]

write.csv (df_unique_csv, file = «df_unique.csv»)

После чего файл с данными можно будет открыть в SPSS с настройками по умолчанию, а номинальные переменные без труда можно будет превратить в фиктивные с помощью функции «recode into different variables».

Первым этапом анализа данных стоит сделать расчет описательных статистик, сначала массива данных в целом, а затем групп данных согласно тому, на какие из анализируемых групп подписан пользователь. Также стоит отметить, что необходимо проводить разный анализ для метрических и неметрических переменных, поскольку в первом случае удобно использовать средние значения, боксплоты, а во втором случае - долю того или иного варианта ответа среди всех ответов. Результаты данного этапа покажут предварительные результаты всего анализа - есть ли разница между аудиториями разных групп.

Второй этап анализа - построение регрессий. Важно, чтобы в анализе не участвовали порядковые переменные, а также номинальные переменные, которые не являются бинарными, поскольку анализ будет выполнен неверно (кроме условия, когда используется порядковая переменная, где увеличение с 1 на 2 уровень влияет на зависимую переменную так же, как и увеличение с 2 на 3 уровень и так далее).

Далее по желанию можно использовать факторный анализ, который поможет сократить количество переменных, если на втором этапе в регрессию было включено много переменных.

В завершение следует сделать кластерный анализ, если есть такая возможность, чтобы разделить подписчиков на схожие группы. Результаты кластерного анализа позволят составить портреты потребителей и точнее выстроить маркетинговую стратегию для них.

3.2 Преимущества и недостатки. Рекомендации

Проведенный пример анализа аудиторий компаний AVON, Oriflame и Faberlic показал, что данный метода подходит лишь для компаний, чьи пользователи заполняют персональные данные о себе, в чем состоит главный недостаток данного метода. Однако, этот пример также показал, что направление сбора данных из социальных сетей является перспективным, поскольку компании, чьи покупатели активно пользуются социальными сетями, могут анализировать их не по выборке с помощью проведения привычных анкетирования или интервью, а сразу по генеральной совокупности. Для развития данного направления исследований необходимо найти значимые для анализа индикаторы, а также способы сбора данных для этих индикаторов и их анализа. В будущем предлагается обратить внимание на интересы и такой источник информации, как группы, сообщества и публичные страницы, на которые подписаны пользователи, поскольку данную информацию нельзя скрыть, а также она обновляется пользователем чаще, чем персональные данные, поскольку список подобных страниц влияет на состав новостной ленты. Также предлагается разработать способ приемлемого по времени сбора данных о друзьях пользователей и их интересах.

При проведении данного исследования были выявлены следующие преимущества и недостатки, список которых можно увидеть ниже.

Преимущества метода анализа-сравнения аудиторий компаний:

- Позволяет анализировать аудиторию, пользующуюся социальными сетями, что в условиях некоторых рынков составляет практически 100% долю клиентов;

- Позволяет собирать данные из открытых источников, в то время как на платформе ВКонтакте содержится огромное количество информации;

- Возможность собирать достаточное количество данных сразу по генеральной совокупности (при условии того, что большая часть аудитории пользуется социальной сетью ВКонтакте, подписана на группу компании и указывает данные о себе в профиле);

- Возможность использования в качестве альтернативы опросам и анкетам;

- Возможность использования в качестве дополнения анализу клиентской базы, анализу покупок и другим методам сбора и анализа данных;

- Легкая адаптация кода по сбору данных под любую компанию;

- После сбора данных на выходе всегда одно и то же количество переменных (не различаются от исследования к исследованию);

- Для применения метода по сбору данных исследователю не нужно иметь образования в сфере программирования (достаточно знать какую программу устанавливать и как запускать код);

- Подтверждена потенциальная возможность сбора данных, пригодных для анализа аудитории.

Недостатки метода анализа-сравнения аудиторий компаний:

- Не предоставляет существенных данных, если большинство подписчиков предпочитает не заполнять информацию о себе на своей странице;

- Долгий сбор данных, если у компании, проводящей исследование, нет собственного приложения в социальной сети ВКонтакте;

- Нет возможности сбора данных о друзьях пользователей, которые могут влиять на поведение и точку зрения анализируемых пользователей;

- Нет возможности полноценно анализировать интересы, так как нет анализа текстовых данных;

- Нет возможности достоверно узнать интересы пользователей, поскольку не указан метод сбора данных о группах, на которые подписан каждый из пользователей, а также нет анализа данных групп и их названий, чтобы разбить их на категории интересов и понять, чем интересуются пользователи;

- Идентификация целевой аудитории возможна только при условии наличия у компании группы в социальной сети ВКонтакте, на которую подписаны многие покупатели;

- Нет возможности получить достаточно данных для последующей настройки рекламы в социальных сетях, поскольку не обрабатываются данные о месте работы, учебы, а также об интересах, так как не используются методы text mining.

В связи со всем перечисленным выше были разработаны следующие рекомендации:

- Использовать данный метод сбора и анализа данных только если существует группа в социальной сети ВКонтакте с количеством подписчиков от 1000 человек, а также если существенная часть аудитории продукта, услуги или бренда пользуется данной социальной сетью;

- Данный метод хорошо для сравнения с прямыми или косвенными конкурентами, если у них есть группы в социальной сети ВКонтакте;

- Данный метод подходит для сравнения реальной аудитории продукта, услуги или бренда с целевой аудиторией;

- В большей степени ориентирован на B2C сектор, поскольку анализируются пользователи (то есть индивиды), а не компании;

- Для более быстрого сбора данных стоит использовать авторизацию через приложение с пользователями (от 100 тысяч человек), если у компании есть подобное;

- Ввиду отсутствия исследований, включающих сбор и анализ текстовых данных, в том числе названий групп, на которые подписаны анализируемые пользователи, по возможности стоит привлечь специалиста, разбирающегося в text mining и работе с VK API для добавления этой информации в анализ.



Заключение

Проведенное исследование, посвященное разработке метода идентификации целевой аудитории, показало, что данный метод не гарантирует 100% определения ключевых характеристик аудитории товара, услуги или бренда, позволяя качественно оценивать пользователей социальной сети ВКонтакте лишь по половозрастным признакам, некоторым аспектам жизненной позиции и по статусу обучения, что недостаточно для исследования, которое должно помочь в определении параметров для размещения рекламы в той же социальной сети и для составления портретов целевой аудитории. Однако, было показано, что социальная сеть ВКонтакте может предоставлять и другие виды данных об интересах, вероятность получения которых намного выше, чем данные об интересах, заполняемые самими пользователями в текстовых полях, а именно данные о группах и публичных страницах, на которые пользователь подписан.

Главная ценность полученных в работе выводов и результатов состоит из нескольких составляющих. Во, первых, код, написанный на языке программирования R, который можно использовать для сбора данных любым пользователем; он легок для адаптации под конкретное исследование. Также этот код может послужить базой для дальнейших исследований по данной теме, так как комментарии к его использованию в том числе содержат название пакета для работы с данными из социальной сети ВКонтакте, а также его ограничения и специфику работы с интерфейсом VK API. Во-вторых, было показано, что социальная сеть ВКонтакте потенциально может быть источником огромного количества информации о покупателях компаний при правильном обращении с данными (правильном выборе данных и их анализе). Так в будущих исследованиях может быть проверено предположение, базирующееся на анализе исследований в сферах маркетинга и event с использованием социальных сетей, о том, что для анализа целевой аудитории важна также информация о друзьях пользователей, а также информация об интересах пользователей и их друзей, обработанная с помощью методов анализа text mining, о чем будет подробнее сказано ниже при описании дальнейших возможных направлений исследований.

Так главными ограничениями данной работы являются использование лишь информации из описания профиля пользователя и анализ без использования методов текстового анализа. Все эти ограничения могут быть преодолены только после проведения исследований, развивающих данную тему.

Дальнейшие исследования, развивающие данную тему, могут использовать следующие направления. Во-первых, поскольку настройка рекламы в социальной сети ВКонтакте проходит по демографическим и географическим параметрам пользователей, а также по социальным параметрам (место работы или учебы) и зонам интересов, то в анализ стоит добавить текстовый анализ, позволяющий считать количество встречающихся слов и измерять таким образом интересы. Данное действие можно произвести с помощью text mining с использованием языка программирования R, где можно не только разделить текст на слова и посчитать их, но и создать собственные словари, позволяющие улучшить анализ, например, словарь стоп-слов, который включает в себя слова, которые необходимо убрать из анализа (предлоги, частицы, некоторые глаголы и местоимения), словари по категориям интересов, которые позволят группировать слова и смотреть уже не частоту появления того или иного конкретного слова, а частоту использования слов из того или иного словаря, что уменьшит количество переменных. Однако, перед проведением подобного анализа необходимо удостовериться, что информацию о себе в текстовых полях заполняет достаточное количество пользователей.

Во-вторых, более достоверным источником информации об интересах пользователя могут служить его подписки - на какие публичные страницы, группы или сообщества он подписан. Можно проанализировать, в каких сообществах состоит большинство подписчиков анализируемого сообщества, что поможет выбрать площадку для рекламы в социальной сети ВКонтакте, то есть можно будет запустить рекламу товара, услуги или бренда в тех сообществах, которыми интересуется целевая аудитория. Помимо прочего, можно провести text mining анализ названий сообществ, чтобы понять, к каким категориям они относятся, разделить сообщества по категориям, что также поможет выбрать площадку для рекламы: например, использовать не самую популярную площадку с огромным количеством подписчиков, а более новую и не такую раскрученную, поскольку на популярной площадке реклама может стоить дорого, а также может потеряться среди других постов, поскольку популярные сообщества публикуют информацию не реже раза в час, в то время как менее популярные группы просят меньше денег за рекламу, а вероятность того, что рекламный пост утонет среди обычных уменьшается.

В-третьих, поскольку настройка рекламы в социальных сетях производится в том числе и по параметрам места учебы или работы, то стоит добавить эти данные в анализ, сгруппировав учебные заведения и их факультеты по направлениям деятельности, а также по территориальному признаку.

В завершение стоит отметить, что данная тема для исследований является перспективной ввиду все большего роста популярности социальных сетей.



Список литературы

1. Винокурова, А.М., Поздняков, Р.А., & Кицул, И.С. (2013). Анализ целевой аудитории медицинской организации. Менеджер здравоохранения, (12).

2. Дьяченко, О.В. (2016). Российские СМИ в социальных сетях Facebook и в «ВКонтакте»: анализ активности и информационных предпочтений аудитории. Вестник Московского университета. Серия 10: Журналистика, (1), 28-45.

3. Пригожин, А.И. (2001). Цели организаций: стереотипы и проблемы. Общественные науки и современность, (2), 5-19.

4. Роговский, В.В. (2010). Что может извлечь интернет-маркетолог из сети «Вконтакте?». Интернет-маркетинг, (6), 346-355.

5. Тришанова, Е.Л. (2011). Таргетированная реклама в социальной сети «ВКонтакте». Интернет-маркетинг, 3, 130-136.

6. Широбокова, С.Н., & Стрельцов, Е.А. (2016). Сравнительный анализ возможностей API социальных сетей по критерию функциональный полноты. Инновационная наука, (3-3 (15)).

7. Широбокова, С.Н., Холодков, В.С., & Бейбалаев, А.М. (2016). Инструментарий анализа целевой аудитории потенциальных абитуриентов по данным из социальной сети: аспекты использования API-запросов и формализованная модель профиля. Новый университет: серия «Технические науки», (10-11).

8. Широбокова, С.Н., Холодков, В.С., & Бейбалаев, А.М. (2016). Анализ изменения интересов студентов университета, принадлежащих к различным возрастным группам, с использованием API-методов социальной сети ВКонтакте. Инновационная наука, (12-2).

9. Alalwan, A.A., Rana, N.P., Dwivedi, Y.K., & Algharabat, R. (2017). Social media in marketing: A review and analysis of the existing literature. Telematics and Informatics, 34, 1177-1190.

10. Baltes, L.P. (2015). Content marketing-the fundamental tool of digital marketing. Bulletin of the Transilvania University of Brasov. Economic Sciences. Series V, 8 (2), 111.

11. Bannister, A., Kiefer, J., & Nellums, J. (2013). College students' perceptions of and behaviors regarding Facebook© advertising: An exploratory study. The Catalyst, 3 (1), 2.

12. Baran, K.S., & Stock, W.G. (2015, July). Acceptance and quality perceptions of social network services in cultural context: Vkontakte as a case study. In Proceedings of the 9th International Multi-Conference on Society, Cybernetics and Informatics (IMSCI 2015) (pp. 12-15).

13. Bogaert, M., Ballings, M., & Van den Poel, D. (2016). The added value of Facebook friends' data in event attendance prediction. Decision Support Systems, 82, 26-34.

14. Chang, W., & Taylor, S.A. (2016). The effectiveness of customer participation in new product development: A meta-analysis. Journal of Marketing, 80 (1), 47-64.

15. Corte-Real, N., Oliveira, T., & Ruivo, P. (2017). Assessing business value of Big Data Analytics in European firms. Journal of Business Research, 70, 379-390.

16. De Vries, L., Gensler, S., & Leeflang, P.S. (2012). Popularity of brand posts on brand fan pages: An investigation of the effects of social media marketing. Journal of Interactive Marketing, 26 (2), 83-91.

17. Drews, W., & Schemer, C. (2010). eTourism for all? Online travel planning of disabled people. Information and Communication Technologies in Tourism 2010, 507-518.

18. Duffett, R.G. (2015). Facebook advertising's influence on intention-to-purchase and purchase amongst Millennials. Internet Research, 25 (4), 498-526.

19. Ellison, N.B. (2007). Social network sites: Definition, history, and scholarship. Journal of Computer?Mediated Communication, 13 (1), 210-230.

20. Filo, K., Lock, D., & Karg, A. (2015). Sport and social media research: A review. Sport Management Review, 18 (2), 166-181. doi: 10.1016/j.smr.2014.11.001

21. Horvitz, E., Koch, P., Kadie, C.M., & Jacobs, A. (2002, August). Coordinate: Probabilistic forecasting of presence and availability. In Proceedings of the Eighteenth conference on Uncertainty in artificial intelligence (pp. 224-233). Morgan Kaufmann Publishers Inc.

22. Hudson, S., Huang, L., Roth, M.S., & Madden, T.J. (2016). The influence of social media interactions on consumer-brand relationships: A three-country study of brand perceptions and marketing behaviors. International Journal of Research in Marketing, 33 (1), 27-41.

23. Key, T.M., & Czaplewski, A.J. (2017). Upstream social marketing strategy: An integrated marketing communications approach. Business Horizons, 60 (3), 325-333.

24. Leung, X.Y., & Bai, B. (2013). How motivation, opportunity, and ability impact travelers' social media involvement and revisit intention. Journal of Travel & Tourism Marketing, 30 (1-2), 58-77.

25. Maibach, E.W., Leiserowitz, A., Roser-Renouf, C., & Mertz, C.K. (2011). Identifying like-minded audiences for global warming public engagement campaigns: An audience segmentation analysis and tool development. PloS one, 6 (3), e17571.

26. Moore, J.N., Hopkins, C.D., & Raymond, M.A. (2013). Utilization of relationship-oriented social media in the selling process: a comparison of consumer (B2C) and industrial (B2B) salespeople. Journal of Internet Commerce, 12 (1), 48-75.

27. Mynatt, E., & Tullio, J. (2001, January). Inferring calendar event attendance. In Proceedings of the 6th international conference on Intelligent user interfaces (pp. 121-128). ACM.

28. Petrovski, D., & Pestana, J.P. (2017). The Importance of Target Audience Selection for Kano Model Effectiveness: A Case Study of Klarna Group. (Dissertation).

29. Smith, B.G., & Gallicano, T.D. (2015). Terms of engagement: Analyzing public engagement with organizations through social media. Computers in Human Behavior, 53, 82-90.

30. Vila, C., & Albiсana, J.C. (2016). An approach to conceptual and embodiment design within a new product development lifecycle framework. International Journal of Production Research, 54 (10), 2856-2874.

31. Wright, A.J., Verнssimo, D., Pilfold, K., Parsons, E.C.M., Ventre, K., Cousins, J., Jefferson, R., Koldewey, H., Llewellyn, F., & McKinley, E. (2015). Competitive outreach in the 21st century: why we need conservation marketing. Ocean & Coastal Management, 115, 41-48.

Размещено на Allbest.ru

...