Факторы, определяющие распространение рекламных сообщений на платформе YouTube

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ

ВЫСШЕГО ОБРАЗОВАНИЯ

«НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

«ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

Факультет Санкт-Петербургская школа экономики и менеджмента

Департамент менеджмента

Выпускная квалификационная работа

по направлению подготовки 38.03.02 Менеджмент

образовательная программа «Менеджмент»

Факторы, определяющие распространение рекламных сообщений на платформе YouTube

Тихомирова Ксения

Санкт-Петербург 2018



Содержание

Введение

Глава 1. Факторы информационной диффузии в теории и эмпирических моделях

1.1 Коммуникации в сетях как база для понимания распространения информации

1.2 Структурные особенности сообщения в интернете и рекламе на YouTube

1.3 Классические и современные подходы к анализу и прогнозированию распространения информации

Глава 2. Процесс сбора данных, построения графа и анализа

2.1 Выборка сообщений и их контекст

2.3 Сбор данных о сообщениях

2.3 Сбор данных о каналах

2.4 Построение и анализ графа

2.5 Сбор фич и их анализ

Глава 3. Оценка факторов на основе моделей и рекомендации по работе с ними

3.1 Структурный анализ графов распространения информации

3.2 Сравнение моделей регрессии и классификации в оценке факторов

3.3 Рекомендации по работе с рекламой и трендами в YouTube

Заключение

Список литературы

Приложения



Аннотация

Анализ распространения информации позволяет выявлять паттерны и факторы виральности, которые помогают маркетологам увеличить показатели конверсии и охвата аудитории. Цель данной работы выявить факторы, которые влияют на распространение рекламного сообщения на платформе YouTube. В исследовании рассматривается сеть русскоязычных каналов и движение среди них 8 сообщений, часть из которых коммерческие, а часть - не рекламные. Автор анализирует три группы факторов: характеристики сообщения и его автора, черты узла, принимающего сообщение. Для этого используется сетевой анализ и алгоритмы регрессии и классификации. В результате работы предлагается описание значимых факторов и применение полученной модели на практике.

The audience of social media is growing, and marketers observe methods to guarantee the highest ROI and coverage of advertising message. The information diffusion analysis allows to describe current patterns and create a model to predict the message flow in the future. The aim of the paper is to distinguish factors influencing the advertising distribution on YouTube. In the research, Russian-language channels are observed to build a graph. Moreover, the diffusion of 8 messages through this network is described. The study is focused on three groups of factors (a message, an author, and a node), which include data of previous interactions between channels. Paper results include the description of features influence and approach to deal with them.



Введение

Интернет и социальные сети плотно вошли в жизнь людей, становясь важной частью повседневной жизни. В среднем россияне тратили 143 минуты в день на социальные сети в 2015 году, тогда как в 2012 году этот показатель был меньше - 90 минут. Почти 7% этого времени занимает YouTube [MediaScope, 2017]. Компании видят эту тенденцию, поэтому в 2017 году бренды потратили рекордные бюджеты на интернет-рекламу. По данным ACAR [ACAR, 2017], объем мобильной рекламы в январе-сентябре 2017 года был равен объему на телевидении.

В то же время текущие исследования интернета внутри компаний сосредоточены на маркетинговом анализе аудитории и краткосрочных трендов. Например, такие исследования публикуются Google и Yandex в конце каждого года. Кроме того, Google предоставляет маркетологам инструмент Google Trends: простой способ узнать, что сейчас интересно для публики. Однако его использование не позволяет получить точных прогнозов.

Исследований в области распространения информации в интернете много. Весь двадцатый век ученые [Кермак и МакКендрик, 1927; Далей и Кендалл, 1965] предлагают различные математические модели взаимодействия между людьми (коммуникаций), посредством которых движется информация. Одной из первых была модель SIR, ориентирующаяся на распространение эпидемий. Далее публиковались данные о моделях, связанных напрямую с коммуникациями. Последние, современные, модели и находки фокусируются на улучшении алгоритмов и уменьшении влияния исходного набора данных на результат.

Однако большинство данных исследований не ставят в свои задачи работу с проблемами маркетинговой коммуникации. А при этом их находки по оптимизации движения сообщений (например, с помощью выделения важных ранних последователей) могут быть полезны в данной сфере. Также в большинстве работ, связанных с социальными сетями, авторы используют датасет или какой-нибудь блог-платформы, или Twitter. В редких случаях они обращаются к YouTube, а работ, посвященных коммуникациям внутри комьюнити блогеров на русском языке, мы не нашли.

Поэтому цель нашей работы - определить факторы, которые влияют на распространение информации в русскоязычном сегменте YouTube. Для достижения поставленной цели нам необходимо выполнить следующие задачи:

? рассмотреть текущие модели распространения информации, чтобы выявить релевантные для анализа факторы;

? собрать данные о сообщениях и каналах русскоязычного сегмента YouTube;

? построить сеть каналов и динамический граф распространения информации, проанализировать его структуру (длина путей, хабы, кластеры);

? построить модели для оценки влияния каждого фактора на степень активации узла сообщением;

? проинтерпретировать полученные результаты и составить список рекомендаций для компаний по работе с трендами и рекламой на YouTube.

Объект нашего исследования - коммуникации внутри комьюнити русскоязычных блогеров. Предмет - факторы, влияющие на появление публичной реакции одного блогера на сообщение другого (в рамках платформы YouTube).

Работа состоит из трех частей: обзор литературы, описание методологии и анализ данных. В первой части мы рассматриваем теоретическое обоснование распространения информации в интернете с точки зрения структуры сети и сообщения, а также классические и современные модели, описывающие данный процесс с математической точки зрения. Как результат, мы выявляем список факторов, подходящий для нашего исследования. Во второй части мы описываем процесс сбора данных, их подготовку и последующий анализ. Для сбора данных мы используем открытый API YouTube. С помощью Python, R, Gephi мы составляем необходимые для анализа датасеты и графы. В третьей части мы описываем результаты анализа и приводим рекомендации. Граф блогеров мы рассматриваем с точки зрения его структуры. Модель анализа мы строим, используя популярные алгоритмы регрессии и классификации: линейная регрессия, дерево решений, random forest, SVM. Список рекомендаций должен помочь маркетологам работать с инфоповодами и блогерами на платформе YouTube.

В целом, данная работа должна внести ясность в понимание механизмов движения информации в русскоязычном сегменте YouTube, а также стать шагом на пути автоматизации принятия решений по работе с блогерами и контентом.



Глава 1. Факторы информационной диффузии в теории и практических моделях

В данной главе мы рассмотрим, как на сегодняшний описывают процесс движения информации: какие звенья входят в его структуру и от чего они зависят. Для этого информационная диффузия будет представлена с нескольких позиций: с точки зрения сообщения, которое передается в процессе коммуникации, и с точки зрения сети, в которой процесс и происходит. Далее мы обратимся к современным моделям, описывающим распространение информации. По итогам данной главы мы получим список факторов, которые обоснованно стоит рассмотреть в данной работе.

1.1 Коммуникации в сетях как база для понимания распространения информации

Сеть, согласно Кастельсу [Кастельс, 2009] - это набор взаимосвязанных узлов (nodes). Связи между элементами сети называются ребрами (edges), и чем больше ребер входит в узел или выходит из него, тем значимей данный элемент для структуры. Такие узлы также называют хабами.

В данной работе, сети рассматриваются как коммуникативные структуры. Здесь связь между узлами означает контакт - коммуникацию между пользователями. Андрианов (2007) пишет о четырех видах коммуникации: массовая, публичная, межгрупповая и межличностная. В классическом случае первые два типа коммуникаций - вертикальные структуры, где по нисходящей идет прямая связь, а по восходящей - обратная. Так можно представить работу традиционных СМИ, например, радио или телевидения. Обратная связь встречает преграды, и ее охват несравним с охватом телевидения настолько, что ею можно пренебречь. Вес СМИ значителен перед весом аудитории, которая в этой структуре выглядит пассивным потребителем информации, но существуют аргументы против данного утверждения.

Ряд исследований в психологии коммуникаций отмечает, что аудитория может переосмысливать полученное сообщение в соответствии со своим культурным опытом. Так Рассел Ньюман (1991) называл новую массовую аудиторию как пассивной, так и активной одновременно как раз за счет способности оценивать, интерпретировать и фильтровать полученную информацию. Фильтрация в данном случае происходит за счет внимания к тому или иному сообщению и выбору медиа. Это не означает, что получатель не подвергается воздействию сообщения, но говорит о том, что зритель участвует в формировании его смысла.

Также Умберто Эко (1994) в своей основополагающей работе «Оказывает ли аудитория отрицательное влияние на телевидение?» подчеркивает, что большинство аудитории способно добавлять свои коды и субкоды к кодам отправителя. С учетом этого он предлагает усложненную модель однонаправленной коммуникации (рис. 1).

Рис. 1: Модель коммуникации Умберто Эко. Источник: Кастельс, 2009

В классической модели означающее, которое передает отправитель, равно означающему, которое получает адресат. В модели Эко адресат разделяет в процессе обработки означающее и означаемое. Он формирует собственный денотат и, следовательно, может получить несколько иной смысл сообщения. То есть, основываясь на материалах исходного послания, адресат помещает сообщение в новое интерпретационное пространство.

Но это по-прежнему описание классической, однонаправленной, вертикальной структуры. Если говорить об интернете, то процесс развивается иначе. Во-первых, здесь формируются горизонтальные связи. Все связанные члены сети являются равноправными участниками коммуникации и выступают одновременно источниками и адресатами сообщений. И публичный контакт между двумя людьми в сети является массовой коммуникацией, т.к. общение двух людей в комментариях или в Twitter становится достоянием общественности, которая может вмешиваться в обсуждение. Во-вторых, в интернете мы имеем дело не с просто массовой коммуникацией, а с названной Кастельсом (2009) массовой самокоммуникацией. Развитие технологий позволило огромному количеству людей выходить в интернет и создавать собственный контент. Часть современных средств массовой коммуникации, например, YouTube, существует не за счет профессиональных кураторов, как это происходит в печати и телевидении, а за счет обычных пользователей. Это касается не только публикаций, но и выбора контента. В-третьих, интернет не существует отдельно от других средств коммуникаций. Сообщение может транслироваться по разным каналам, при этом изменяясь. Исходя из этих дополнений, предложенная схема Эко может быть усложнена еще раз, что и предложил сделать Кастельс (рис. 2).



Рис. 2: Процесс коммуникации в креативной аудитории. Источник: Кастельс, 2009

На этой схеме отправители и адресаты являются одним и тем же субъектом. Совершенно не обязательно, что отдельный субъект исполняет и ту, и другую роль в рамках отдельно взятого процесса коммуникации, но в целом в данной разнонаправленной сети все отправители превращаются в адресатов и наоборот. Они не только интерпретирует полученное сообщение, но и могут создать на его основе собственное. То есть при такой схеме аудитория становится все более активной, и Кастельс называет такой тип аудитории «креативной».

Коммуникации в этой сети, по словам Кастельса, являются мультимодальными и многоканальными. Мультимодальность означает разные медиумы передачи информации: интернет, телевидение, радио, печать и прочее. Каждый из медиумов и их комбинации формируют особый код коммуникации, который следует рассматривать отдельно для каждого случая, учитывая контекст. Каналы по Кастельсу - это различные телевизионные каналы, радиостанции, площадки в интернете. Каждый из них также передает свой код коммуникации. Так Кастельс выделяет для вида коммуникации код В, и для канала коммуникации код К. Коды имеют субкоды - конкретные виды коммуникационного процесса для В и виды канала для К.

Получается, здесь «средство коммуникации (медиум) - есть сообщение» - как писал Маклюэн (1964). Средство коммуникации контролирует масштаб распространения сообщения и формы ассоциаций на него. В «Понимание медиа» Маклюэн рассматривает все многообразие средств коммуникаций, называя их «продолжением человека вовне». И содержанием каждого средства коммуникации является другое средство коммуникации. В нашем же исследовании нас интересует часть, посвященная влиянию средства коммуникации на его содержимое, то, что Кастельс как раз назвал кодом каналов. Это влияние зависит от специфики самого медиума и того культурного контекста, в котором он был создан и существует.

Если говорить о YouTube, то нас может заинтересовать структура взаимосвязей между пользователями данной платформы, т.к. она влияет на характер распространения информации. Парк, Лим и Парк (2015) в ходе своего исследования приходят к выводу, что структура сети YouTube склоняется к кластерной форме. Авторы анализировали структурные характеристики сетей и паттерны взаимодействий внутри них, основываясь на сравнении структуры упоминаний движения Оккупай Уолл Стрит на платформах Twitter и YouTube. Twitter представляет собой концентрированную структуру, в которой информация контролируется лидерами мнений. Эти лидеры мнений соединяют между собой маленькие группы других пользователей и являются хабами. В свою очередь YouTube представляет по своей структуре маленький мир. То есть для данной платформы присуще большое количество кластеров без большого количества ярко выраженных лидеров мнений, от которых идет контент.

Кластеры в сети формируются на основе гомофилии: схожести членов сети между собой. Внутри таких групп процессы коммуникации между узлами сильнее, так как участники более восприимчивы к информации друг от друга. В условиях интернета этот феномен масштабируется на столько, что исследователи начинаются опасаться его негативного эффекта [Кин, 2015]. Они предполагают, что люди попадают в эхо-камеры, в которых информация “чиста” - внутри группы разделяется только одна точка зрения и отсутствуют пути для иных взглядов. В таких условиях человек окружен мнениями, совпадающими с его собственным. Однако, критики отвечают, что, во-первых, данные опасения основываются на предположении “пассивности” интернет-пользователей. Во-вторых, теория эхо-камер не учитывает, что в интернете больше возможностей для серендипности (случайной прозорливости). Например, исследуя президентскую кампанию 2004 года в США, Хорриган со своей группой (2004) пришел к выводу, что интернет-пользователи чаще встречали аргументы, с которыми они были не согласны, чем люди, которые не используют интернет.

Таким образом, структура сети, ее узлы, характеристики ребер или внешний контекст установившихся коммуникационных связей создают условия для движения информации. Если говорить только о процессе коммуникации, то можно заключить, что на интерпретацию информации и, следовательно, возможность ее продвижения влияют: изначальное значение, культурный опыт получателя, контекст и коды, передаваемые каналом (в нашем случае это - структура связей на YouTube). Данные условия стабильны в течении времени, т.к. структуру сети можно считать динамичной, но не чрезмерно изменчивой во времени. Поэтому возможно использовать данные о предыдущих коммуникативных процессах в системе для предсказания будущих, что мы и рассмотрим в третьей части главы. Но далее необходимо рассмотреть самый маленький элемент коммуникаций в сетях - сообщение.

1.2 Структурные особенности сообщения в интернете и рекламе на YouTube

Сообщение - это закодированная информация, которая передается в процессе коммуникации. Она может быть представлена в виде речи (вербально), текста, изображениями. Поскольку в данной работе мы рассматриваем распространение информации на платформе YouTube, то мы имеем дело с видео-сообщениями. Структурно они включают в себя не только видеоряд со звуковой дорожкой, но также название и описание к видео, а еще метаданные: количество лайков, дизлайков, просмотров и дату публикации. Все эти элементы передают информацию получателю. Но тем не менее, видео-сообщения остаются обычными сообщениями и им также присуща определенная внутренняя конструкция.

Внутренне сообщения представляют собой совокупность трех измерений или семантический треугольник (рис. 3). Слова - это форма предоставления информации. В семантическом треугольнике - это, в терминах Лемова (2000), экспонент. Смысл в нем - десигнат - идеальное представление о предмете. А явление действительности, вещь или предмет - денотат.

Рис. 3: Семантический треугольник



Взаимосвязь между вершинами треугольника означает, что посредством языковой формы мы обозначаем некий предмет в реальности, связанный с понятием, который ассоциируется с определенной формой у носителей данного языка. Если говорить о YouTube, то знаком будет выступать видео (его визуальный и звуковой ряды), в котором отображается некое событие в реальности (предмет). И десигнат в данном случае - это та идея, которую хочет донести до своих зрителей автор. В этой части нас интересует, как само сообщение влияет на его интерпретацию - то, что получает адресат, - и его виральность. В предыдущей части мы заключили, что на интерпретацию влияют:

? изначальная идея, закодированная в сообщение;

? культурный опыт адресата и получателя;

? коды, передаваемые каналом.

То, что может влиять на виральность (или вирусность сообщения), мы рассмотрим с точки зрения трех углов семантического треугольника.

Начнем мы с предмета или явления в реальном мире, которое служит отправной точкой для создания сообщения. Реальность, которую отражают сообщения, может быть совершенно разной. Но, мы предполагаем, что “событийность” влияет на виральность. По мнению Лотмана (1998), разбирающего события в художественных текстах, событие - это то, что «произошло, хотя могло не происходить». На наш взгляд, это наиболее точное определение для понимания того, почему некоторые действия в реальности становятся темами обсуждений, а некоторые остаются незамеченными и незначимыми. Также мы обратимся к понятию “повестка дня” и тому, как она формируется в СМИ (к которым можно отнести и социальные медиа).

Механизм определения повестки дня можно объяснить с помощью «сфер Халлина», которую политолог Дэниел Халлин предложил в исследовании освещения вьетнамской войны в американских СМИ [Цукерман, 2015]. Диаграмма представляет собой круг внутри круга, который находятся в пространстве. Внутренний круг - это «сфера консенсуса», область событий, которые не вызывают противоречий в обществе. Это «то, что произошло, и должно было произойти». Внешний круг - «сфера обоснованной дискуссии», где находятся вопросы, открытые для обсуждения «мыслящими людьми». В обществе считается нормальным, что здесь могут быть разные точки зрения. И именно вопросы из внешнего круга становятся частью повестки дня. И последняя зона на диаграмме - «сфера отклонений», вопросы, которые не считаются важными для обсуждения, или мнения оскорбительные и необоснованные для общества.

Перевод вопросов из зоны отклонений в сферу дискуссии также попадает в повестку дня и переход подобного рода можно назвать не просто событием, а «происшествием», т.к. в информационном поле это еще не именованная тема. По Барту (1962), происшествие - это целостная, имманентная информация, она сама в себе содержит свое знание и способна распределять его на другие события, создавая новые контексты. Поэтому вопросы, меняющие свой статус в обществе, имеют больший резонанс. И именно поэтому мы можем предположить, что основывая сообщение на резонансных событиях, адресат обеспечивает ему большую виральность.

Если говорить о форме сообщения, то нас интересует его образность. Если сравнивать виральность сообщения с превращением предмета в интернет-мем или, по Бодрийяру (1981), в симулякр, то оно должно эволюционировать как образ. Можно предположить, что популярными сообщениями, мемами становятся только те события, у которых есть «образный» потенциал.

Образ - это «презентация» объекта реальности. Он не просто есть, он взаимодействует с вещью и заимствует ее жизнь [Ванеян, 2015]. От симуляции, когда реальность прячется за символический занавес, образ переходит к симулякру, заменяя собой реальную вещь. При этом образы неоднородны, поэтому в разных контекстах они способны исполнять разные роли. Образы создают бесконечный поток смыслов, порождая ситуации, а не привязывают означающее к означаемому [Джозелит, 2015]. Образ не самодостаточен, ему необходим зритель. Он не может быть не интересным, иначе на него не станут смотреть. Вне ситуации обмена образ едва ли существует. Поэтому к принципу «образ - это всегда образ чего-то» добавляют «образ - это образ для кого-то» [Сосна, 2015]. Появления зрителя в поле существования образа создает его оценки и делает их частью произведения. В нашем случае это проявляется в метаданных видео и в видео, созданных на основе первоисточника: реакции и пародии.

Последний элемент сообщения, который мы рассмотрим, - это его значение. По сути это то, что автор сообщения передает зрителям, а они в свою очередь интерпретируют. И здесь мы сталкиваемся со множеством кодов и смыслов как на этапе создания, так и расшифровки. Приведем пример. Допустим, что любое сообщение в интернете (будь оно текстом или видео) в изначальной форме есть текст. Это утверждение основывается на рассуждениях Маклюэна (1964), согласно которым, содержание медиума есть новый медиум и самым простым из них будет речь, то есть текст. В современной семиотике культуры под текстом понимают только то сообщение, что закодировано как минимум дважды. Лотман (1992) поясняет это на примере сообщения, определяемого как «закон»: с одной стороны оно закодировано как естественный язык, а с другой - как юридический. И в первом случае - это набор знаков с разными значениями, а во втором - один сложный знак с единым значением. То есть сообщение, еще до начала его интерпретации, содержит в себе множество кодов, которые не обязательно создаются в процессе его передачи, а могут существовать даже до его создания.

Также мы имеем дело со множеством нарочно созданных смыслов в сообщении. Так происходит, например, в случае рекламного сообщения. В данной работе рекламное сообщение отличается от обычного своей целью: показать преимущества некоего продукта или товара и тем самым внушить получателю купить его. И в данном случае мы, говоря в терминах Барта (1962), имеем дело с коннотацией и денотацией выражения. Адресату передается два сообщения. Деннотация - то, что говорят адресату на самом деле. Например, название бренда, которое должно остаться в памяти. А коннотация - набор ассоциаций, якоря, за которые денотат будет держаться. И чем более получаемое выражение многозначно, тем лучше оно выполняет функцию коннотативного сообщения - запоминается адресату и побуждает к чему-то.

Продолжая тему рекламных сообщений, рассмотрим особенности рекламы на YouTube. Платформа предлагает несколько типов рекламы, которые можно разделить на 2 группы:

1. реклама, автоматически встроенная в структуру сайта (баннер на видео или сбоку страницы);

2. прямая реклама и продакт-плейсмент

Первая группа рекламных сообщений включает в себя боковые баннеры, баннеры на видео и три типа прероллов: непропускаемые, пропускаемые через 6 секунд и те, которые можно пропустить сразу. Преимущества данного типа рекламы в том, что видео для показа подбирается автоматически, опираясь на его аудиторию. С другой стороны, пользователи быстро различают данный формат рекламного сообщения и могут пропустить его или игнорировать. Например, Беланш, Флавиан и Перес-Руэда (2017) тестировали, как предыдущий опыт просмотра рекламы, привычки и нехватка времени влияют на пропускаемость видео рекламы в роликах. Авторы заключили, что все рассматриваемые факторы влияют на принятие решения о пропуске рекламы. Однако, они подчеркивают, что зачастую пользователи не пропускают рекламу при первой же возможности, а стремятся сократить ее длительность.

Второй тип рекламного формата на YouTube включает в себя продакт плейсмент и прямую рекламу в видеороликах блогеров. Такой формат может подразумевать, например, обзор продукта или спецпроект для бренда или при его спонсировании. Данный формат дороже для компании и требует больше времени для подготовки. При этом он позволяет бренду создать позитивную связь между его продуктов или услугой и образом блогера (создание дополнительных смыслов). Фершо, Гржесло, Орме и Ла Гуэe (2017) провели исследование о связи между характеристиками блогеров и их видео и парасоциальными атрибутами. Авторы заключают, что когда блогер открывается на камеру и рассказывает какие-то личные подробности своей жизни, ощущение реальности, вовлеченности и доверия в видео возрастает. Такой же эффект может наблюдаться и в случае с рекламой.

Таким образом, не только структура сети и коммуникационных процессов может влиять на виральность сообщения. Обусловленное своей структурой, сообщение также содержит в себе коды, которые воспринимаются получателем и могут побудить его на передачу информации своим соседям. Поэтому мы предполагаем, что в модели распространения информации стоит включать, как внешние факторы единицы информации, так и внутренние.

1.3 Классические и современные подходы к анализу и прогнозированию распространения информации

Существует множество моделей распространения информации. Все они обосновывают движение информации с помощью математических уравнений. Одни из них создавалась для описания движения слухов (как DK), часть - для описания распространения эпидемий (как SIR). Но так или иначе, данные модели можно использовать для описания движения информации в интернете и социальных сетях. Рассмотрим некоторые из классических моделей: SIR, DK и Марковскую модель.

Простая модель SIR (susceptible - infected - removed) представляет собой способ передачи инфекции от одного индивида другому [Кермак и МакКендрик, 1927]. Все узлы сети разделены на три группы: восприимчивые - S(t), зараженные - I(t), невосприимчивые - R(t). Невосприимчивые узлы в случае YouTube можно считать каналы, которые не имеют интереса к данной новости или не желают поддерживать ее распространение. Также модель включает параметры: - средняя частота заражения, и - средняя скорость “выздоровления”. Итоговую модель можно представить в виде системы уравнений:

Также существует расширенная модель SIR, в которую включаются параметры динамичности сети. Это параметры частоты входа и выхода узлов из сети и вероятность перехода узла из неуязвимого состояния в восприимчивое. В таком случае модель выглядит следующим образом:

Модель DK [Далей и Кендалл, 1965] в отличие от SIR рассматривает распространение слухов. Здесь узлы в сети делятся также на три группы: те, кто начинают распространять сообщение (или ранние последователи) - U, продолжающие распространение - V, и те, кто отказываются распространять дальше сообщение - W. Также модель Далея-Кендалла включает в себя параметры: - степень принятия слуха, - вероятность распространения слуха и - вероятность потери актуальности слуха с течением времени. Модель выглядит следующим образом:

И третья классическая модель - Марковская модель влияния [Губанов, Новиков, и Чхартишвили, 2010]. Данная модель используется в анализе социальных сетей и оценивает влиятельность одного узла для другого. Динамика в данной модели описывается марковским процессом, а влияние оценивается с помощью матрицы влияний. Суммарное доверие агента по строке такой матрице равно единице, и при этом он может доверять себе, то есть .

В период t у каждого агента есть свое мнение по тому или иному вопросу. Пусть у i-го агента есть мнение в виде вещественного числа . Данное мнение складывается на основе мнений агентов, которым данный агент доверяет:

Зная данное уравнение, возможно просчитать как и на каких агентов необходимо воздействовать, чтобы сформировать в сообществе определенное мнение по необходимому вопросу.

Все представленные классические модели - это, в первую очередь, уравнение или система уравнений, которая позволяет определить статус всех узлов на данный период времени. Они направлены в большей степени на описание процесса движения информации, а не на работу с графом, определением его значимых атрибутов на основе предыдущих процессов в сети и создании модели на их основе.

Текущие исследования распространения информации рассматривают способы преодоления ограничений анализа с точки зрения размеров и доступных характеристик сети в обучающей выборке. Ву, Чэнь, Сиань и Го (2016) представили новую модель движения информации - MScaleDP (рис. 4) - которая не зависит от размеров рассматриваемого графа. Авторы предлагают трехэтапный метод с предварительным анализом предыдущих взаимодействий. Первая стадия заключается в оценке характеристик сообщения и узлов: семантические факторы, временные параметры, структура сети. В дополнение к этим характеристикам также возможно было бы включить бинарную переменную “специфичности информации”. Бастос, Пиккарди, Леви, Макреберт и Любелл (2017) в ходе своего исследования заключили, что уровень специализированности позитивно коррелирует с централизованностью распространения информации. То есть, если тематика контента узко направлена, то скорее всего граф его распространения будет иметь ярко выраженный центр в виде лидера мнения. Таким образом, включение подобной переменной могло бы улучшить результаты MScaleDP в предсказании диаметра распространения информации.

Рис. 4. Этапы модели MScaleDP, Ву, Чэнь, Сиань и Го (2016)

На втором этапе метода, авторы оценивают вероятность каждого узла быть активированным. Операция основывается на данных о предыдущем движении информации в сети и собранных фичах. В своей работе авторы определяют эту операцию как проблему классификации и в ходе анализа заключают, что лучший способ для ее решения - это применение алгоритма “дерево решений”. На последнем этапе предлагаемого метода, оценивается активационный статус узла, прогнозируются размер и динамика распространения. В итоге, метод предоставляет граф движения информации, чья точность на различных размерах обучающего графа выше, чем при использовании других алгоритмов и их комбинации.

Эффективность использования данных о предыдущих взаимодействиях также была доказана Чжу, Инь, Ма и Ху (2016). Их исследование направлено на выявление главных путей в распространении информации. Авторы измеряют вес связей, используя частоту предыдущих взаимодействий между узлами. Далее они используют алгоритм LeaderRank, вместо анализа топологии сети, для того, чтобы выявить “влиятельные” узлы. На последнем этапе, оцениваются важности путей через анализ вероятности того, что сообщение пройдет через них. Метод главных путей представляется авторами как простой способ определить влиятельных пользователей в сети и предсказать таким образом процесс распространения информации.

Еще одно преимущество использования данных о предыдущих взаимодействиях - это то, что данный подход позволяет исследователям игнорировать профили пользователей. Несмотря на то, что Ву и др. (2016) использовали в своей модели MScaleDP данные пользователя в качестве переменных, все они в итоге остались незначимыми для итогового результата. Более того, Ли, Лин и Йе (2017) представили модель APR (рис. 5), которая предсказывает участников в распространении информации без использования характеристик сообщения и информации их профилей пользователей.



Рис. 5. Этапы модели ARP, Ли, Лин и Йе (2017)

Алгоритм основывается только на списке ранних последователей и информации о предыдущих взаимодействиях. В процессе компиляции алгоритма, все узлы в графе получают вероятность участия: вероятность того, что узел будет активирован сообщением. Данная величина зависит от вероятности принятия и вероятности достижения.

Вероятность принятия означает, что пользователь скорее примет сообщение, если ему уже нравился подобный контент или он желает принять его. Здесь авторы создали модель, которая оценивает вероятность или в единицу, если пользователь ранее публиковал подобное сообщение (в данном случае авторы анализировали хэштеги). Или вероятность оценивается через корреляцию между предыдущим поведением данного пользователя и ближайшими к нему ранними последователями нового сообщения (поведение определяется в хэштегах, которые использовали агенты). В целом система уравнений для определения вероятности принятия выглядит следующим образом:

Где - это вероятность принятия сообщения узлом , - набор хэштегов, который ранее употреблял узел , - это набор хэштегов ближайшего к данному пользователю раннего последователя, - кратчайший путь между данными узлами, - параметр гашения, который эмпирически был выставлен авторами равным 0.05.

Вероятность достижения означает, что если сообщение может легко достигнуть пользователя, то вероятность его принятия выше. В данном случае авторы использовали random-walk-ranking модель. Итоговая вероятность рассчитывается по формуле:

Где - это вектор вероятностей активации, который изначально считается как вероятность достижения, - нормализованная взвешенная матрица, связанная со смежным исходным графом G, - вектор вероятностей принятия. - это контрольный параметр, который балансирует две вероятности в выражении. Опытным путем авторы заключили, что наилучший результат выходит при .

Таким образом, современный анализ распространения сообщений предполагает алгоритм, состоящий из нескольких этапов. От классических моделей распространения информации новые унаследовали деление агентов на группы в зависимости от влияния на них сообщения и в целом представление о механизме движения информации. Но современные исследователи оценивают факторы с точки зрения сообщения и структуры сети, особенно касательно хабов и ранних последователей. В случае структуры графа, не достаточно только оценить отношения между узлами и их мощность. Необходимо также рассматривать предыдущий опыт распространения информации в данной сети.

В целом, по итогам анализа существующих теоретических источников, мы приходим к выводу, что мы будем анализировать влияние факторов на распространение информации в YouTube, используя анализ графов. Такой анализ позволит нам получить характеристики сети, которые можно будет использовать в качестве переменных в модели. Также в модель мы будем включать и переменные сообщения, основываясь на предыдущем опыте MScaleDP модели. Несмотря на то, что в результатах авторов эти данные оказались незначимыми, в условиях YouTube сообщение обязательно включает в себя метаданные, которые не связаны с его непосредственным движением (как, например, в случае Twitter, где количество репостов означает частично равно количеству узлов, активированных данным сообщением). Если же говорить об авторе сообщения, то его возможные факторы мы ограничим только теми, что обусловлены структурой сети. Выводы по модели главных путей мы надеемся использовать в нашей работе в качестве переменных кластера, кратчайшего пути и показателя PageRank. В итоге, основываясь на предыдущих исследованиях, в данной работе мы будем анализировать следующие факторы:

- Характеристики сообщения

- длина заголовка и описания видео

- % заглавных букв в заголовке

- количество ссылок в описании

- рекламный статус сообщения (бинарная переменная)

- количество просмотров, лайков, дизлайков и комментариев

- Характеристики автора сообщения

- количество подписчиков

- количество просмотров

- % просмотров данного видео в общем числе просмотров

- средний путь

- кластер автора

- PageRank

- Черты узла-получателя

- общее количество просмотров на канале

- количество подписчиков

- средний путь

- кратчайший путь до автора

- кластер

- PageRank

В следующей главе мы подробнее опишем структуру данных, способ их сбора и анализа.



Глава 2. Процесс сбора данных, построения графа и анализа

В данной главе мы рассмотрим данные, которые будут использоваться в исследовании, и методы анализа для выявления атрибутов и построения модели. Наше исследование сфокусировано на русскоязычном сегменте YouTube, поэтому преимущественно (за небольшой погрешностью) каналы в выборке будут русскоязычными. Выборка сообщений включает в себя 8 сообщений, которые можно разделить на рекламные и некоммерческие.

2.1 Выборка сообщений и их контекст

Под рекламными сообщениями мы понимаем те, которые профинансированы одним брендом и направлены на его рекламу. К таким сообщениям мы относим:

- рекламу Veet с Марьяной Ро (2017 и 2018 годов);

- серию видео от КЛИККЛАК для Клинского (2017 год);

- новогоднюю коллаборацию Кока-Колы и блогеров (2017 год).

Некоммерческие сообщения также могут содержать рекламу (как большинство видео на YouTube). Но мы отличаем их от рекламных тем, что они создаются не для продвижения конкретного бренда, а для продвижения или самого автора, или его проекта. Среди таких сообщений мы выбрали:

- клип “Блокеры” Джарахова (2017 год);

- клип “Мега звезда” Марьяны Ро (2017 год);

- дисс на Атеву Лиззки (2017 год);

- видео проекта HypeCamp (2017 год);

- видео Versus-баттла между Oxxxymiron и Славой КПСС (2017 год).

Все сообщения мы выбирали от 2017 года, т.к. это более релевантно к текущей ситуации на платформе как с точки зрения последних событий, так и с точки зрения контента, который может создаваться для распространения сообщения. В 2016-2017 годах на русскоязычном YouTube стал популярным формат обзоров и реакций, и именно их мы ожидаем увидеть в выборке сообщений-последователей. Но перед этим мы рассмотрим подробнее каждое из сообщений, чтобы понимать его контекст.

2.1.1 Реклама Veet с Марьяной Ро

Компания Veet представляет на рынок средства для депиляции: крема, бритвы и восковые полоски. И именно для продвижения последних среди подростков и молодой аудитории, бренд создал рекламу с участием популярной блогерши Марьяны Ро. Первое видео было опубликовано в апреле 2017 года и представляет собой клип на музыкальную композицию, описывающую всю простоту и преимущества депиляции с использованием восковых полосок. Рефреном в композиции стало слово “Вжух-вжух”, которое после и использовалось в названиях реакций и в пародиях на видео.

Видео было опубликовано на канале самой Марьяны Ро и стало довольно популярным. За год запись набрала более 21 миллиона просмотров. Количество лайков - 465 тысяч, а дизлайков - 292 тысячи. Такое соотношение статистики для Марьяны Ро нормальное, если посмотреть статистику ее канала. В целом отношение аудитории YouTube и блогера можно назвать сложными из-за ее отношений и последующего расставания с одним из самых популярных блогеров на русскоязычном YouTube - Ивангаем. После разрыва на девушку посыпался негатив, о чем она рассказывает в другом своем видео от 6 января 2017 года (видео набрало 15 миллионов просмотров, при обычной отметке от 2 до 4 миллионов). В целом фигура Марьяны Ро связана с негативом (или как его называют в YouTube сообществе - хейтом) и разного рода скандалами, которые периодически всплывают в интернет-пространстве и обсуждаются в течении нескольких дней в различных видеороликах.

Но поскольку первая реклама Veet с Марьяной Ро оказалась успешной, спустя год компания создала ее продолжение: “Вжух 2.0”. Видео вышло в середине апреля 2018 года и за 3 недели набрало больше 8 миллионов просмотров. Видео также было опубликовано на канале самой девушки. Но соотношение лайков к дизлайкам стало менее позитивным: 286 тысяч лайков к 275 тысячам дизлайков. Возможно, за год отношения девушки с публикой ухудшились, или это первая реакция на видео и спустя время ситуация со статистикой улучшится. В целом, мы не будем акцентировать внимание на данной статистике в анализе. Нас интересует динамика распространения первого и второго “Вжух” в первые недели после публикации основного видео.

2.1.2 Серия видео для Клинского от КЛИККЛАК

Клинское - это бренд пива компании «ИнтерБир». С мая 2015 года у них есть свой канал на YouTube, на котором сейчас примерно 295 тысяч подписчиков. Первые два ролик были опубликованы до 2017 года, и каждый их них набрал менее 100 тысяч просмотров. Но совершенно обратная ситуация происходит с роликами, которые были созданы при поддержке КЛИККЛАК: там количество просмотров переваливает за несколько миллионов.

КЛИККЛАК - это объединение петербургских блогеров и других профессионалов (например, сценаристов, монтажеров), таких как Илья Прусикин, Эльдар Джарахов, Старый, Юрий Музыченко, Ира Смелая, Руслан Усачев, Алина Пязок, которые создают различные юмористические шоу и видео-контент. Популярные форматы на канале: “Дай леща”, “Кажется нащупал”, “Треш-лото” и другие. Часть видео снимается вместе с приглашенными гостями: другими известными блогерами и знаменитостями.

Для Клинского команда создала серию из 5 роликов, в каждом из которых была музыкальная составляющая: участники читали рэп. В принципе, в 2017 году рэп стал популярным и мейнстримовым форматом в культуре и на YouTube. Особенно можно выделить формат рэп-баттлов, о которых еще будет сказано ниже. В роликах для Клинского приняли участие: Данила Поперечный, группа Хлеб, Сергей Дружко, Big Russian Boss и Molly. Самым популярным стал ролик Дружко и Джарахова, он набрал больше 25 миллионов просмотров. Связать это можно с тем, что на тот момент был очень популярен проект самого Сергея - “Дружко-Шоу”, каждый выпуск которого в тот момент собирал от 5 до 15 миллионов просмотров.

Для команды КЛИККЛАК это не единственное сотрудничество с брендом алкогольной продукции. В апреле 2018 года выходит 4 сезон шоу “Дай леща”, который проспонсирован брендом виски William Lawson's. По этому поводу команда подвергается критике со стороны коллег, например, Дмитрия Ларина, которые считают неуместным рекламу алкоголя на канале с большой долей несовершеннолетней аудитории.

2.1.3 Новогодняя коллаборация Кока-Колы и блогеров в 2017 году

Чаще всего бренд Кока-Колы появляется в различных видео с лайфхаками (сборник советов) и разоблачениями. Это происходит не по желанию самой компании, а скорее по замыслу самих блогеров: собрать больше просмотров, используя популярный на рынке бренд. Если же говорить о рекламе, которую сама Кока-Кола проводит на YouTube, то можно выделить традиционные новогодние ролики бренда, где под знакомую многим песню поют известные исполнители. В 2017 году среди популярных блогеров в кампании участвовали Мари Сенн, Клава Кока и Костя Павлов. Ролики блогеров были опубликованы на их каналах и набрали соответственно 1.7 миллионов, 2 миллиона и 645 тысяч просмотров. В описании к видео был призыв перейти на сайт компании, чтобы узнать, как самому попасть в видео Кока-Колы.

По соотношению лайков и дизлайков хороший показатель у Мари Сенн и Клавы Коки: количество дизлайков колеблется в районе нескольких тысяч, тогда как лайков 118 и 131 тысяча соответственно. Другая ситуация с видео Кости Павлова, где количество лайков - 56 тысяч, а дизлайков - 30 тысяч. Это может быть связано в негативной реакцией на видео со стороны других блогеров. Видео Кости Павлова раскритиковали за звук и монтаж. Самые популярные обзоры-реакции вышли на каналах петербургских блогеров: Кузьма (ролик набрал 475 тысяч просмотров) и СМН (ролик набрал 893 тысячи просмотров). Далее последовал ответ Павлова и еще некоторое время ситуация обсуждалась в сообществе. Мы рассчитываем увидеть это движение на наших графиках, равно как и другие песенные ролики к данной акции.

2.1.4 Клип “Блокеры” Джарахова

Эльдара Джарахова мы уже упоминали в работе выше, когда рассказывали про работу КЛИККЛАК. Помимо КЛИККЛАКа Джарахов участвует в “Успешной группе”, которая выпускает в основном юмористические рэп композиции и клипы на них. В апреле 2017 года Джарахов выпустил трек и клип “Блокеры”, который на сегодняшний день набрал более 36 миллионов просмотров. Ролик вышел на канале Успешной группы (2.6 миллионов подписчиков) и имеет хорошую статистику: 48 тысяч дислайков к 1.2 миллионов лайков.

Видеоряд представляет собой подборку пародий на известные клипы российской рэпсцены: Oxxxymiron, Скриптонит, Каста, Грибы, PHARAOH. Клип был выпущен после баттла Джарахова и Ларина, который прошел на Versus. Это был не первый баттл блогеров на платформе. По задумке композиция высмеивает негодования рэп-исполнителей по поводу того, что в их культуру начали приходить блогеры и тоже читать рэп.

2.1.5 Клип “Мега звезда” Марьяны Ро

Помимо песен про восковые полоски Марьяна Ро выпускает и собственные песни. Первой стала ироничная композиция “Мега-звезда”. Видео опубликовано на канале Марьяны в декабре 2017 года, и к маю 2018 оно набрало больше 33 миллионов просмотров. Соотношение лайков к дизлайкам стандартное для блогерши: 676 тысяч лайков против 444 тысяч дизлайков.

Релиз не прошел без скандалов. Спустя несколько месяцев начался конфликт Марьяны Ро с ее менеджером/коллегой Даней Комковым, который начал критиковать девушку за подход к работе и отношение к соавторам песни FatCat. Неизвестно, что из сказанного правда, но негативный след в медиапространстве остался, о чем можно судить по количеству дизлайков.

2.1.6 Дисс Лиззки на Атеву

Это видео, опубликованное летом 2017 года, - самый популярный дисс пояснить формат на YouTube. На май 2018 года клип набрал более 24 миллионов просмотров. Статистика лайков и дизлайков положительная: 1 миллион лайков к 79 тысячам дизлайков.

С этого видео начался рост канала Лиззки, которая до этого занималась творчеством на YouTube несколько лет. Конфликт с Атевой при этом можно считать конфликтом интересов. Но за счет качества дисса Лиззки на фоне дисса Атевы позволило ей выиграть это “сражение”. Ответный дисс Атевы набрал лишь 7 миллионов просмотров, а соотношение лайков-дизлайков: 113 тысяч к 874 тысячам.

Но после успешного подъема и положительного авторитетного образа, карьера Лиззки пошла на спад. Ее последние участие в HypeCamp и клип с упоминанием выборов 2018 испортили репутацию блогерши и ее статистику. Например, видео с упоминанием выборов собрало почти 3 миллиона просмотров, и соотношение лайков к дизлайкам: 163 тысячи к 301 тысяче.

2.1.7 Видео проекта HypeCamp

В HypeCamp Лиззка участвовала как член жюри, где также сидели Катя Клэп, Ян Гордиенко, Марьяно Ро и Даня Комков. Проект задумывался как реалити-шоу и школа для блогеров. Первые выпуски показывали процесс кастинга в разных городах России. Далее часть блогеров, которые были в жюри, ушли из проекта и их заменили другие лица.

Изначально проект никто не замечал, несмотря на то, что в жюри сидели популярные блогеры. Ролики о проекте выпускали только участники кастинга. Но позже сообщество обратило внимание на жестокость и равнодушие, с которым жюри судило участников кастинга (как это выглядело на монтаже). И по этому поводу посыпались реакции. Дольше и заметнее всех обзоры на проект выпускал Юлик. Его ролики принимались аудиторией более тепло (если судить по лайкам и комментариям). Так, например, второй выпуск шоу HypeCamp набрал более 1.6 миллионов просмотров, а соотношение лайков-дизлайков - 42 тысячи к 34 тысячам. Обзор Юлика набрал 1.8 миллионов просмотров, 119 тысяч лайков и 2.2 тысячи дизлайков. Здесь стоит обратить внимание, что на небольшой разрыв в количестве просмотров не могли повлиять существенно количество подписчиков. Так, например, на популярном канале “вДудь”, где публикуются интервью с знаменитостями, количество подписчиков на май 2018 год равно 3.1 миллионам, а количество просмотров на самых популярных интервью приближается к 10 миллионам. Такое же соотношение можно увидеть и на канале Дружко Шоу и Клинского. То есть в целом, создатели контента на YouTube сегодня ориентируются не на количество подписчиков, а на количество просмотров конкретного ролика.

2.1.8 Versus-баттл между Oxxxymiron и Славой КПСС

Третий по популярности видеоролик на канале Versus-battle (одной из известных баттл площадок в России) - это баттл между Oxxxymiron и Славой КПСС, который был опубликован в августе 2017 года. Видео набрало 34 миллиона просмотров, соотношение лайков к дизлайкам - 880 тысяч к 98 тысячам.

Популярность ролика обусловлена тем, что баттл зрители ждали в течение года. То есть за это время между артистами развивался конфликт, и было интересно узнать, чем он завершится. Здесь мы имеем дело с культурным противостоянием (по крайней мере таким оно выдается со стороны Славы КПСС) коммерциализации рэп-культуры и собственно развитием самого творчества. Если смотреть на баттл из мая 2018, уже не так ясно, кто какую сторону в итоге представляет, но год назад конфликт был очерчен ясно. Также обе фигуры - это звезды баттл рэпа, принадлежащие двум разным площадкам: Versus и SLOVOSPb. Цитаты из баттла стали мемами и долгое время мелькали в пабликах и частично вошли в речь молодежи (например, фраза “think about it”, произнесенная Оксимироном). При анализе распространения данного видео мы ожидаем увидеть обзоры и разборы данного баттла.

Таким образом, в нашу выборку вошли сообщения, к созданию которых приложили руку самые популярные блогеры и площадки на YouTube. В итоге видеоролики собрали множество просмотров и, мы предполагаем, что и сеть их распространения была широка. В целом мы видим тенденцию к созданию музыкального контента и популярности рэп-направления в музыке. И это касается как обычных роликов, так и рекламных. Поэтому их сравнение должно быть объективным, особенно при условии того, что к некоторым причастны одни и те же блогеры.

2.2 Сбор данных о сообщениях

Все данные для работы мы собирали через открытый API YouTube. В случае со сбором данных о сообщениям мы использовали метод search().list(). Для каждого сообщения мы указывали ключевые слова для поиска, дату публикации, с которой, и дату до которой нужно собирать видео (в случае с рекламой Veet). Результаты показаны в таблице 1.

...