sergeev_pp_ispolzovanie-cifrovyh-sledov-polzovateley-dlya-sozdaniya-psihograficheskih-portretov-s-celyu-povysheni_106212

?Нейротизм (эмоциональная стабильность пользователя)

?Открытость опыту (культура и интеллект)

Выбор был обусловлен эффективностью использования модели, а также ее популярностью и точностью. Для данного исследования также была выбрана Пятифакторная модель, поскольку это оптимальное с точки зрения скорости заполнения и вероятности отказов число измерений. Следующим необходимым шагом является выбор способа тестирования для пользователей, поскольку существуют различные интерпретации Большой Пятерки в России, но для исследования необходимо использовать опросник, подтвердивший свою академическую эффективность. Самым популярным опросником на текущий момент является NEO-PI, разрабатывающийся с 1980-х годов и имеющий сокращенную версию в 60 вопросов. Также существует версия, адаптированная В.Е. Орлом, А. А. Рукавишниковым и И. Г. Сениным.

Второй самой популярной версией является адаптация японской методики (5PFQ), выполненная А. Б. Хромовым. Именно эта версия чаще всего используется для тестирования пользователей в интернете, поскольку 60 вопросов, разработанные по японской системе показывают самые точные результаты в случае самооценивания пользователем. Поэтому для исследования было принято решение об использовании Пятифакторного опросника Хромова.

Использование 75 вопросов требует значительных временных затрат, что не позволило набрать значительную выборку.

Целью этапа стал выбор или адаптация существующей методики для выбора наиболее доступной для случайного пользователя. Поскольку основные сложности для пользователей заключались во временных затратах тестирования, требовалось найти сокращенные варианты, а также альтернативные методики исследования личности.

Тем не менее, Большая пятерка показала максимальную эффективность для исследования, поэтому в ходе исследования было принято решение продолжать использование данной модели. Единственная существующая в России адаптация IPIP-NEO-120 находится в стадии завершения и доступна исключительно для прохождения в качестве онлайн тестирования, а коммерческое использование недоступно.

Когда время ограничено, исследователи сталкиваются с выбором: использовать чрезвычайно краткий опросник личностных измерений Большой Пятерки или вообще не использовать никакой. Чтобы удовлетворить потребность в очень коротких опросниках, были разработаны и протестированы опросники из 5 и 10 наименований. Несмотря на то, что они несколько уступают стандартным многоэлементным инструментам, они достигли адекватных уровней с точки зрения конвергенции с широко используемыми показателями «большой пятерки» в отчетах при самооценивании, оценки наблюдателем или друзьями, а также надежности повторного тестирования, схемах прогнозируемых внешних факторов и конвергенция между самооценкой и оценками наблюдателя. На основе этих тестов предлагается измерение из 10 пунктов измерений «большой пятерки» для ситуаций, когда требуются очень короткие опросники, а личность не является основной темой интереса или исследователи могут мириться с несколько широкими психометрическими свойствами, связанными с очень короткими опросниками.

Поэтому была предположена возможность самостоятельного перевода и использования англоязычного опросника TIPI (TEN ITEM PERSONALITY MEASURE) от Gosling, S. D., Rentfrow, P. J., & Swann, W. B., Jr. (2003). A Very Brief Measure of the Big Five Personality Domains. Journal of Research in Personality.

Рис.2

При разработке модели, было проведено сравнение с текущим наиболее полным вопросником BFI и самой сокращенной версии из 5 вопросов - FIPI. Несмотря на точность в некоторых показателях, общий результат TIPI стал гораздо ближе к полнотекстовому опроснику. Именно поэтому в качестве инструмента для моего исследования был выбран TIPI, обеспечивающий меньшую возможную погрешность при максимальном удобстве для пользователя. Разработанный в 2003 году, TIPI показал, что является наиболее эффективным среди сокращенных версий опросника Большой пятерки. Поскольку опыт прошлого исследования доказал необходимость использования короткого опросника, в ходе исследования было принято решение заняться самостоятельным переводом TIPI на русский язык.

Вопросы опросника были переведены на русский язык автором исследования, затем формулировки адаптированы с учётом традиций формулирования вопросов в психологических методиках в целом и тестах, применяющих модель большой пятерки в частности. Также была создана расшифровка терминов-показателей для русскоязычных участников исследования.

Его англоязычная версия:

Рисунок 3. Английская версия опросника TIPI

В ходе практики была подготовлена версия для русскоязычных пользователей социальной сети ВКонтакте:

TIPI (Русская версия)

Перед вами - серия утверждений, которые могут быть вам близки или нет. Пожалуйста, напишите к каждому из утверждений вариант ответа из представленных ниже:

1=Полностью не согласен

2=Скорее не согласен

3=Умеренно не согласен

4=Ни да, ни нет

5=Умеренно согласен

6=Скорее согласен

7=Полностью согласен

Я вижу себя, как:

1. _____ Экстраверт, полон энтузиазма.

2. _____ Критик, придирчивый.

3. _____ Надежный, самодисциплинированный.

4. _____ Тревожный, меня легко расстроить.

5. _____ Готов к новым впечатлениям, многогранен.

6. _____ Сдержанный, тихий.

7. _____ Сочувствующий, добрый сердцем.

8. _____ Неорганизованный, небрежный.

9. _____ Спокойный, эмоционально устойчивый.

10. _____ Обычный, не творческий.

Также в качестве последующей модели для разработки веб-приложения для пользователей было необходимо создание табличного варианта опросника в качестве алгоритма.

При этом практическое использование подобного опросника практически не отличается от предыдущей модели, поскольку структурных изменений не предполагается. Поэтому во время практики была построена и обновлена система работы над исследованием, где выделено два главных правила:

1. Все полученные данные после обработки будут анонимизированны для защиты приватности пользователя.

2. Распространение опросника реализовано в социальной сети «ВКонтакте» с помощью рекомендаций другим пользователям.

Все личные данные (e-mail, ссылка страницы в социальной сети) должны быть хешированы для сохранения приватности пользователей. Опрос будет состоять из 10 утверждений, с использованием шкалирования для ответа (1, 7), которые затем переводились в балльную систему по методике авторов.

При вычислении результатов тестирования первичные оценки (1,7) в нечетных вопросах должны быть заменены соответствующими баллами 7,1. Переводные баллы в дальнейшем суммировались с результатом четного вопроса вопросами. Итоговым показателем каждого из факторов стало деление суммы на 2, согласно методике исследования.

Показатели рассчитываются по формуле, где число -- это номер вопроса. Если к числу добавляется буква R, то количество баллов - обратное, то есть если ответ 7, то начисляется 1 балл, если ответ 6, то 2. Где буквы R нет, там количество баллов равно самому ответу. После суммирования результат делится на 2.

* Экстраверсия: (1 + 6R)/2;

* Доброжелательность: (2R + 7)/2;

* Добросовестность; (3 + 8R)/2;

* Нейротизм: (4R + 9/2);

* Открытость опыту: (5 + 10R)/2

Также для повышения вовлеченности пользователей в прохождение тестирования было решено использовать не стандартный вариант тестирования, а с использованием цветового кодирования и элементами удобного для пользователей интерфейса.

Выбор системы обработки данных

Поскольку одним из важнейших условий исследования являлось масштабирование имеющихся технологий Больших Данных для малого и среднего бизнеса, одной из задач практики являлся подбор наиболее финансово эффективного инструмента для обработки полученных после опроса данных.

«Облачные вычисления-- модель обеспечения удобного сетевого доступа по требованию к некоторому общему фонду конфигурируемых вычислительных ресурсов (например, сетям передачи данных, серверам, устройствам хранения данных, приложениям и сервисам -- как вместе, так и по отдельности), которые могут быть оперативно предоставлены и освобождены с минимальными эксплуатационными затратами или обращениями к провайдеру». На текущий момент существует три основных компании, предоставляющих подобные системы- Google Cloud, Amazon AWS и Microsoft Azure. Также на рынок недавно была запущена система российского производства Яндекс.Облако. Поскольку Microsoft Azure является самой профессионально ориентированной системой с высоким порогом вхождения, для сравнения было решено оставить только системы от Google, Amazon и Яндекс. Англоязычные системы были также изучены с помощью спроса в Google Trends, что позволит оценить уровень технической осведомленности пользователей о системе. Это позволит сократить срок обучения системе благодаря большей поддержки со стороны сообщества.

Также Amazon AWS согласно опросу 2016 года, проведенному RightScale использует большее число разработчиков, что позволит значительно сократить время на изучение системы благодаря обилию пособий и готовых схем работы.

Рис.4



Стоимость сервисов практически идентична, а необходимые инструменты присутствуют в каждой из систем. При этом системы от Google и Яндекс позволяют работать быстрее из-за развитой инфраструктуры собственных серверов. Тем не менее, для исследования возможно также использование систем, доступных только у Amazon, например Amazon SageMaker.

Эта система позволяет создавать собственные алгоритмы для машинного обучения за доступную цену для малого и среднего бизнеса. При этом возможность масштабирования также сохраняется при появлении необходимости.

Благодаря этой системе у исследования появляется возможность второго варианта течения. Возможно, не просто сканирование групп пользователя социальной сети ВКонтакте, но и полный технический анализ его страницы и сопоставление с результатами ответа на психографическое тестирование. Подобное использование VKMiner совместно с машинным обучением от Amazon позволит значительно повысить точность и скорость создания психографических потретов пользователя. При наличии достаточной выборки возможен запуск дополнительного тестирование по полному опроснику Большой Пятерки и его анализ. Подобная система невозможна для описания с точки зрения психологии, поскольку паттерны поведения человека в социальных сетях не изучены.

Использование стимулированного обучения (RL) для создания сложных моделей, способно достигать определенных результатов, без необходимости предварительной маркировки обучающих данных. Стимулированное обучение используется в тех случаях, когда модели «не у кого» и «не у чего» учиться, однако известен оптимальный результат: например, необходимо научиться водить автомобиль или торговать на бирже с выгодой. Именно благодаря такой структуре возможно сравнение уже существующей базы прошлого исследования с будущим опросом пользователей.

Разработка, тестирование и запуск системы

Поскольку автор исследования не обладал достаточным опытом в разработке приложений, было необходимо построить алгоритм действий для возможной передачи разработки стороннему подрядчику.

1. Пользователь открывает страницу с приложением, получает краткую информацию о тесте

2. Нажимает кнопку «Пройти тест»

3. Перед пользователем - 10 утверждений из разряда "Я на тревожный, меня легко расстроить"

4. Он ставит ему "оценку" от 1-7, где 1 - Полностью не согласен, а 7 - Полностью согласен.

5. Согласно заданным подсчитывается результат теста. (Каждому ответу присваиваются баллы и т.д.)

6. Пользователь получает результат - 5 цифровых показателей своей личности.

7. Для него появляется возможность поделиться результатом теста с друзьями

8. После прохождения пользователем теста в базе данных необходимы необходимы - id пользователя, его полученные результаты, а также список групп, на которые он подписан.

Созданную версию системы в виде таблице требовалось перевести в код, возможный для использования в качестве приложения ВКонтакте. Для этого был выбран Javascript, позволяющий встраивать приложения, размещенные на выделенном хостинге в социальную сеть. Это необходимо, поскольку для полноценной работы системы требуется создание и содержание базы данных.

В ходе исследования было разработано приложение, которым можно воспользоваться по адресу: https://vk.com/app6982912 и получить свою психографическую характеристику Большой Пятерки по опроснику TIPI. При первом запуске приложения от пользователя требовалось подтверждение на доступ к информации, размещенной на его странице, согласно политике социальной сети.

Рис. 5

Стартовый экран приложения рассказывал о TIPI и сообщал о методике опрашивания. В силу отсутствия навыка в разработке приложений изначальную задачу по созданию дизайна приложения с использованием цветового кодирования реализовать не удалось, поскольку главным приоритетом стала разработка и отладка внутренних систем проекта. Тем не менее, каждый вопрос демонстрировался пользователю в отдельном «окне» и прохождение теста занимало не более 1 минуты, что совпадает с показателями англоязычной версии опросника.



Рис. 6

При полном прохождении теста пользователю демонстрировалось окошко с результатом, а также описанием полученных показателей.

Рис.7



Таким образом, создать внешнюю сторону приложение практически не составило труда, поскольку все алгоритмы были заранее рассчитаны и проверены в виде таблицы. Одним из ключевых преимуществ построенной системы стала полная закрытость пользователя от автора исследования, то есть информация, поступающая со стороны человека, прошедшего опросник, могла восприниматься исключительно базой данных в виде зашифрованного текста. Это позволило сделать пользователей полностью анонимными и не нарушать правила создания и использования приложений ВКонтакте.

В начальном этапе исследования для прохождения теста и сбора данных был использован сервис Google Forms, результаты из которого исследовались исключительно средствами и надстройками Microsoft Excel. Тогда «для создания базы был использован сервис VKMiner Лаборатории Интернет-исследований ВШЭ. В качестве необходимых данных были выбраны подписки каждого пользователя на определенные сообщества в социальной сети, поскольку сбор других данных вне исследовательской работы является малоэффективным из-за технических особенностей сети». В этом исследовании подобный подход планировался, но был отложен, поскольку в процессе разработки приложения обнаружились новые функции и правила социальной сети. Согласно правилам пользования ВКонтакте любая загрузка данных на сторонние сервера запрещена и может караться блокировкой, поэтому было необходимо найти подход к воплощению изначального алгоритма, не нарушая правила пользования системой. При этом основной набор инструментов современного специалиста по SMM на данный момент состоит исключительно из приложений и сервисов, нарушающих правила пользования социальной сетью, но администрация ВКонтакте не запрещает их функционирование, поскольку они стимулируют внутренний рекламный рынок сети.



Рис.8

Таким образом была доработано само приложение, в котором появлялись дополнительные функции при открытии от имени разработчика.

Кнопка «Результаты» позволяла открыть дополнительный функционал, необходимый для реализации поставленных задач.

Кнопки «Проверить группу» и «Проверить пользователя» стали финальным моментом реализации приложения, подтвердившие возможность создания системы предиктивного создания психографических портретов пользователя в сети ВКонтакте. «Проверить группу» заключалось в поле для ввода, где администратор может указать ссылку на необходимую группу и увидеть ее предполагаемые «показатели», воссозданные на основе предыдущих прохождений теста.

«Обратный процесс - создание психографического портрета пользователя с помощью анализа его поведения в социальной сети на русском языке не выполнялся по причинам малой распространенности сетей в России, а из-за технических особенностей платформы. Англоязычные исследователи, использовавшие Facebook при прохождении подобного теста пользователем получали полный доступ к всем действиям потребителя на сайте (отметки «мне нравится», подписки на группы, сохраненные сайты), а также ко всему социально-демографическому портрету пользователей. Но главным отличием от современного подхода к сбору подобных данных являлся доступ к идентичной информации друзей пользователя, что позволяло из-за одного пройденного теста получать данные сотен потенциальных потребителей. В 2018 году данная система была пересмотрена из-за новой политики конфиденциальности социальных сетей, поэтому подписки на группы стали главным источником данных, поскольку остались единственными точками соприкосновения с различными брендами в социальных сетях.»

Гипотеза обратного построения портрета пользователя заключается в выборе случайного (для исследовательского материала) или группы пользователей (для планирования рекламной кампании) с последующей аналитикой его «подписок» и вычислением среднего арифметического психографического портрета.

«Проверить пользователя» - точно такая же система, разработанная для изучения каждого конкретного человека. В последствии возможно и требуется масштабирование для оценки необходимого количества групп и пользователей за одно действие, но система специально была ограничена для проверки и отладки механизма действия. Помимо встроенной системы проверки групп или пользователей, также в режиме реального времени собирается база на системе MySQL. Её использование допустимо только при дополнительной анонимизации данных, что не составляет труда. База доступна для использования в Google Big Query или Amazon AWS, но в рамках исследования эти способы решения были отброшены в силу их сложности и отсутствия необходимости, поскольку встроенное приложение удовлетворяет всем требованиям исследования. При масштабировании для использования в коммерческих целях естественно потребуется использование данных сервисов. Это позволить решить самую главную задачу, поставленную еще в предыдущем исследовании: реализовать возможность использования психографической сегментации для малого и среднего бизнеса, где отсутствует возможность тратить огромные бюджеты на исследование целевой аудитории. Пример одного из разделов базы, с учетом скрытой информации о пользователе. (рис. Таким образом можно считать задачу по разработке системы тестирования пользователей и создания их обратных портретов, выполненной в рамках исследования. Это чрезвычайно важно, поскольку это являлось самым ресурсозатратным процессом исследования и для последующего повышения точности и эффективности работы системы требуется лишь расширение выборки, что гораздо легче реализуемо. А структура приложения построена таким образом, что все данные обновляются в режиме реального времени, что значительно сокращает работу над базой.

Рис.9



2.3 Создание психографического портрета пользователя по его цифровому следу

Основная цель проекта - доказать возможность и реализовать на практике создание психографического портрета пользователя по его цифровому следу. В данном случае - по сообществам, в которых он состоит в сети ВКонтакте. В прошлом исследовании «Гипотеза об обратном создании психографического портрета пользователя в рамках стандартного отклонения частично подтверждена, поскольку подобные отклонения вторичного фактора экстраверсия/интроверсия не всегда позволяют доверительно его использовать. Возможными решениями проблемы может стать расширение выборки или использование первичных факторов с целью поиска источника значительного отклонения». Именно поэтому приоритетными задачами для исследования стали расширение выборки, создание автоматизированной системы и сокращение опросника.

Таким образом финальным вариантом алгоритма стало:

1. Случайные пользователи проходят тест

2. Показатели Большой Пятерки прошедшего «привязываются» к его группам

3. В автоматическом режиме в реальном времени «показатели» групп усредняют, в зависимости от прошедших тест

4. Случайный пользователь «Проверяется» и мы получаем его предиктивные показатели

5. Масштабирование «Проверки» для использования в коммерческих целях

Методика обратного создания психографического портрета пользователя заключалась в загрузке всех групп пользователя и вычислении среднего арифметического в соответствии с имеющимися данными, а также последующее анкетирование по классическому опроснику с целью сравнения точности прогноза. Первым шагом стала система «Проверка группы». Алгоритм ее действия заключается в анализе базы данных формата MySQL, собираемой на хостинге. Первоначально данные поступают в подобном формате:

Рис.10

Подобный формат позволяет наглядно проследить фазы работы системы:

1. Пользователь получает свои показатели Большой Пятерки

2. Система сканирует все группы, на которые он подписан

3. Каждой группе присваиваются его показатели БП

4. При появлении в базе той же группы у другого пользователя ее показатели обновляются к средним, в зависимости от новых данных

5. Кнопка «Проверка группы» показывает эти показатели на момент текущего состояния базы данных

Верификация полученных данных невозможна, поскольку одна группа представляет собой совокупность людей, в ней состоящих и пройти тест для проверки некому. Тем не менее, использование полученных показателей в академических целях возможно при условии обоснованности выборки в каждой конкретной группе. Для коммерческого использования или первичного сбора данных о группе в коммерческих интересах получаемые показатели могут считаться релевантными, а также уникальными, поскольку подобных систем больше не существует.

Вторым и основным шагом в разработке системы стала реализация кнопки «Проверить пользователя». Естественно, целью исследования являлось создание психографических портретов в большем масштабе и подобная функциональность готова, но для наглядности в приведенном тексте используются точечные измерения. В качестве измерительной группы были выбраны четверо пользователей сети ВКонтакте, результаты прохождения теста которых были добровольно переданы для последующего анализа и тестирования предиктивной системы. Как можно видеть на сравнениях ниже, ключевым показателем точности системы является число вхождений. Число вхождений - это количество групп, информация о которых имеется в базе проекта. Тем самым подтверждается гипотеза о необходимости построения постоянно обновляемой и изменяемой системы, поскольку точность измерений зависит от текущего состояния показателей групп, которые могут меняться, в зависимости от производимого контента.

Таким образом число вхождений становится единственным необходимым фактором для повышения эффективности работы системы. Поскольку основная аудитория пользователей, воспользовавшихся приложением, проживает в Нижнем Новгороде, на текущий момент достаточно велико количество случайных пользователей, у которых число вхождений будет равно или больше 50, что уже позволяет использовать подобные данные в качестве основы последующих решений. На текущий момент точность системы определяется на основе: в изначальном тестировании приняло участие 261 человек, создав базу данных объемом в 15741 строки. Это количество позволяет взять каждого активного пользователя-нижегородца социальной сети ВКонтакте и прогнать его через систему, получив его предиктивный результат со стандартным отклонением в рамках нормы, не отличающейся от результатов предыдущего исследования.

Вместе с этим в ходе анализа эффективности определения обратного типирования были выявлены недостатки, подобные результатам прошлого исследования. Главным недостатком системы является ее зависимость от выборки респондентов и в данной ситуации не удалось достичь поставленную планку. Основная надежда в достижении этой цели была основана на том, что прохождение теста для пользователей будет восприниматься, как то, в чем они хотят принять участие и о чем рассказать друзьям. К сожалению, для создания приложения подобного уровня не удалось собрать бюджет. Поэтому отсутствие мобильной версии и технические огрехи не позволили приложению распространяться сарафанным методом. Для того, чтобы в последствии избавиться от этого недостатка системы требуется доработка технической и дизайнерской части приложение с последующим добавлением в каталог ВКонтакте. Это позволит тесту быть предложенным интересующимся темой пользователям и значительно увеличить выборку, а следственно и точность.

На текущий момент было выбрано три случайных сообщества, способных показать, насколько велик вес каждого пользователя, прошедшего тестирование

Например, при всего 18 пользователях из одного сообщества, прошедших тест, были получены следующие показатели:



Рис.11

Уровень стандартного отклонения находился от 1,13 до 1,98, что в рамках шкалы от 1-7 является достаточного высоким уровнем отклонения и требует корректировки.

При этом группы, в которых число вхождений достигает 50 и выше стандартное отклонение снижается по ряду параметров. Стоит отметить, что фактором с максимальным уровнем стандартного отклонения является Нейротизм, вне зависимости от числа вхождений. Тем не менее, в ходе исследования и изучения модели были выявлены дополнительные показатели, которые могут быть встроены в систему в дальнейшем:

* Образование

* Языки

* Количество друзей

* Количество подписчиков

* Количество фотографий

* Количество записей на стене



Рис.12

Также было вычислена зависимость стандартного отклонения от количества возможных вхождений в группу с построением линии тренда:



Рис.13

Для построения графика была использована группа с числом вхождений равным 50, линия тренда проведена на 10 возможных периодов. На графике видно, как сильно связан объем базы данных со стандартным отклонением внутри каждой конкретной группы. Таким образом становится ясна основная цель последующих исследований - максимальное совершенствование технической стороны системы для повышения выборки и увеличения точности работы.

2.4 Использование психографических портретов - перспективы и возможные направления

Поскольку в ходе использования и совершенствования системы были выявлены реальные возможности крайне точного определения психографики пользователя, было принято решение изучить и предложить дополнительные возможности ее использования. Несмотря на то, что одной из задач являлось исключительно использование данных для повышения эффективности таргетированной рекламы, в ходе исследования не удалось достичь договоренности с действующими коммерческими организациями, согласными на использование экспериментальной разработки. Тем не менее, в прошлой работе уже была доказана эффективность использования таргетированных сообщений, основанных на психографическом портрете пользователя.

«Таким образом, доказательства, обнаруженные в ходе исследования, позволяют сделать вывод о возможности существования подобной системы в России и работе с малым и средним бизнесом. Психографическая сегментация пользователей позволяет значительно увеличить вовлечение потребителей в контакт с брендом, а сам процесс сегментации доступен благодаря развитию социальных сетей. При этом, одним из результатов исследования является необходимость в дальнейшем изучении и разработке методики, поскольку на текущем этапе ее коммерческое использование связано с значительными трудностями. Главной целью последующих исследований является полная автоматизация всей методики, а также добавление возможности ее постоянного обновления в онлайн-режиме для постоянного контроля над репрезентативностью данных».

Также эффективность использования подобных систем была рассмотрена в упомянутой ранее публикации S. C. Matz, M. Kosinski, G. Nave, and D. J. Stillwell.

HR-направление

Большинство первых пользователей приложения являлись сотрудниками нижегородского маркетингового агенства, поскольку первое тестирование проводилось среди коллег автора данного исследования. Проблема оказалась в том, что даже тестирование длинной в 1 минуту не всегда проходится сотрудниками организации, если это не интересно для них самих. Использование системы обратного построения психографического портрета в HR - службах компаний позволит анализировать коллектив компании, не подвергая его постоянным тестированиям. Также в организациях, использующих психографические характеристики собственных сотрудников, возможно использование системы для проверки кандидатов на должность. Например, в том же маркетинговом агентстве легко прослеживаются определенные факторы, которые являются практически одинаковыми у сотрудников разного пола, возраста и должности. Это может помочь определять основополагающие ценности компании и строить HR стратегию, основываясь на психографических портретах сотрудников.

Направление в переговорах

После запуска и тестирования приложения и демонстрации точности итоговых показателей, появилась концепция использования психографических данных для переговоров с клиентами или партнерами (например, в случае участия в тендере). Например, при разработке креативного продукта чаще всего ЛПР (лицо, принимающее решение) может выбирать поставщика отталкиваясь не только от предложенного решения его бизнес задач, но и от субъективного мнения, возникшего в результате контакта. Использование системы создания обратного психологического портрета позволит агенству или заказчику подготовиться ко встрече с партнерами и при разработке креативного продукта делать упор на посылы, близкие ЛПР. Поскольку при очных встречах малейшие нюансы в общении способны серьезно изменять ход встречи, то подготовка с учетом психографических портретов способная значительно повысить конкурентоспособность отдельно взятого сотрудника или компании в целом.

Таким образом, практическая часть исследования показало, что построение системы, использующей цифровые следы пользователей с целью создания психографических портретов возможно и реализуемо средствами социальной сети ВКонтакте. По сравнению с предыдущим исследованиям были решены и исправлены большинство недостатков:

* Найдена и русифицирована сокращенная методика тестирования по Большой Пятерке

* Автоматизированный опросник позволяет обновлять данные в режиме реального времени

* Благодаря автоматизированной системе точность итоговых показателей постоянно увеличивается

Тем не менее, автоматизация открывает дополнительную сторону развития работы, поскольку в подобной системе появляются ранее недоступные возможности:

* Увеличение количества исследуемых показателей о пользователе

* Доведение точности предиктивных показателей до близких к реальным

Реализация подобного функционала возможна и планируется после завершения исследования, поскольку использование системы в коммерческих целях оправдано после серии тестов, которые подтвердят точность работы, как это было в прототипе.

Также в качестве вывода следует учесть время, потраченное на разработку и отладку приложения. Вся работа по созданию системы заняла около 2 месяцев, что крайне долго и не позволительно в случае работы с коммерческими организациями, поскольку малейшие правки занимали много времени.

Таким образом, нужно учесть необходимость привлечение профессионального программиста, способного в режиме реального времени вносить правки в код, не нарушая работы системы. Также изучение внутреннего API ВКонтакте может значительно ускорить внесение изменений в систему и повышение эффективности программы. Это позволит значительно быстрее работать с базой данных, а что самое главное - ее дополнять.

Открытые перспективы использования получаемой информации необходимо изучить и провести тестирование каждой из методик для того, чтобы понять, в каком формате требуются доработки для использования в каждом варианте.



Заключение

«Автоматизация маркетинга является одной из самых важных и главных тенденций на рынке. При этом, несмотря на значительное количество возможностей, специалисты направляют новые ресурсы на вычисление классических социально-демографических параметров пользователя, а также отслеживание его действий в интернете. При этом следование за потребителем практически любой CRM системы способно показывать, когда, где, во сколько и с помощью какого устройства потребитель совершил определенное действие для того, чтобы предлагать ему таргетированные сообщения от бренда. При этом анализ мотивации этих действий, а также личностные особенности пользователя практически не используются из-за отсутствия методологии и русскоязычных доказательств эффективности подобного подхода.» Анализ теории, существующей по данному вопросу показал, что использование психографических моделей для работы с целевыми группами в социальных сетях реализуемо и потенциально эффективно, однако при этом подобная практика применения на русском языке отсутствует.

Целью данного исследования являлось создание готовой системы по работе с психографическими характеристиками пользователей социальной сети ВКонтакте. Возможность разработки и запуска подобной системы были подтверждены, но в ходе исследования были открыто значительно количество новых направлений работы и потенциальных улучшений системы. В сравнении с предыдущим исследованием время, необходимое для сбора данных значительно сократилось, а анализ и интерпретация базы данных стала производиться в автоматизированном режиме. Использование программы в коммерческих целях на данный момент возможно с учетом небольших корректировок функционала с академического на коммерческий.

С другой стороны, на текущий момент и с имеющейся базой данных система не полностью оправдывает ожидания, поставленные в начале исследования. Тем не менее, также, как и при предыдущем исследовании, точность получаемого психографического портрета пользователя зависит от величины выборки и у текущей версии системы есть значительное преимущество над прошлым алгоритмом работы. Закрытый опрос, на который пользователь тратил от 10-15 минут, а также данные, выгружаемые в формате таблицы и требующие долгой дальнейшей обработки, не позволяли эффективно использовать концепт в коммерческих целях. На текущий момент приложение https://vk.com/app6982912 «Психологический тест TIPI» позволяет, при наличии доступа, видеть подобные данные в режиме реального времени, а база данных обновляется с каждым новым пользователем, принявшим участие в прохождении теста. Возможным продолжением исследования может стать приложение, сочетающее в себе функционал не только психографических инструментов, но и социологических опросов. Таким образом, возможен сбор большего количества данных о каждом пользователе, что позволит опираться на более весомые факторы при подсчете и построении психографического портрета. Таким образом, основным результатом исследования стало подтверждение гипотезы о возможном построении психографических портретов пользователей на основе их цифровых следов и необходимости совершенствования и дополнения готовой системы с целью повышения ее эффективности. Вся система с учетом дополнительной доработки может быть использована компаниями в качестве

* HR - инструмента как для анализа текущих сотрудников, так и при приеме на работу. Средства повышения эффективности таргетированной рекламы на основе психографических показателей ЦА

* Механизма поиска подхода к ЛПР при работе в маркетинговых агентсвах



Библиографический список

сегментирование рекламный портрет

1."Predicting Success: Ad & Creative Testing Powered by Research Automation Will Save Ad Budgets», AMA, март 2018

2.“State of Marketing”, «Adoption and market growth of marketing automation», Salesforce, 2017

3.«Psychological targeting as an effective approach to digital mass persuasion» S. C. Matz, M. Kosinski, G. Nave, and D. J. Stillwell, 2017

4.Arnold Mitchell. «An Approach to Measuring Quality of Life», Stanford Research Institute, 1971

5.Arnold Mitchell. «Consumer Values, a Typology», VALS report 1, SRI International, 1978

6.Cherington P.T. 1924, `Statistics in Market Research', Annals of the American Academy of Political and Social Science, 115: с. 130-5

7.Fader, P. S., Hardie, B. G., & Lee, K. L. (2005). RFM and CLV: Using iso-value curves for customer base analysis. Journal of Marketing Research, 42(4), 415-430.

8.Farley J.U. «Brand loyalty» and the economics of information // The Journal of Business. 1964. Vol. 37. № 4.

9.Koponen A. “Personality characteristics of purchasers”. Advertising Research, Vol 1, 1960, 6-12

10.Peter E. Rossi, Greg Allenby. Bayesian Statistics and Marketing, Marketing Science, 2003

11.Pierre Martineau Social Classes and Spending Behavior // Journal of Marketing. - Октябрь 1958. - с. 121-130.

12.Robert A. Peterson. 1974. Market Structuring by Sequential Cluster Analysis. Journal of Business Research 2, 249-264.

13.Rogers, Everett M. (1962). Diffusion of innovations. New York: Free Press of Glencoe

14.Russell I. Haley. Benefit Segmentation: A Decision-Oriented Research Tool. Journal of Marketing Vol. 32, No. 3 (Июль, 1968), с. 30-35

15.Segmenting Markets with Conjoint Analysis Paul E. Green and Abba M. Krieger Journal of Marketing Vol. 55, No. 4 (Октябрь, 1991), с. 20-31

16.Webster, F.E. (1965), «The Deal-Prone Consumer», Journal of Marketing Research, Vol. 2, #2, Май, с. 186-189.

17.Wendell R. Smith Product Differentiation and Market Segmentation as Alternative Marketing Strategies // Journal of Marketing. - Июль 1956. - 20 (3). - с. 3-8

18.William Strauss and Neil Howe. Generations: The History of America's Future, 1584 to 2069. New York: William Morrow & Company. 1991

19.Yoram Wind and Richard Cardozo «Industrial Marketing Segmentation». Industrial Marketing Management, 3 (Март), 153-165.

20.Cherington P.T. 1924, `Statistics in Market Research', Annals of the American Academy of Political and Social Science, 115: pp. 130-5.

Размещено на Allbest.ru

...