Forskare skapade en algoritm som framgångsrikt förutspådde konsumentköp. Algoritmen använde sig av data från konsumenternas dagliga aktivitet på sociala medier. Varumärken kan använda detta för att analysera potentiella kunder. Forskarnas metod kombinerar kraftfulla statistiska modelleringstekniker med maskininlärningsbaserad bildigenkänning.

Docent Toshihiko Yamasaki och hans team från Graduate School of Information Science and Technology vid University of Tokyo utforskar nya och intressanta sätt att använda data som data från sociala medier. Vissa applikationer som de utvecklar är användbara för enheter som företag för att förbättra sin effektivitet på olika sätt, men i synnerhet i hur de når och påverkar potentiella kunder.

"Jag ställde två frågor till mitt team:'Är det möjligt att beräkna likheten mellan olika varumärken baserat på hur kunderna interagerar med dem på sociala medier?' Och, 'Om så är fallet, kan varumärken använda denna information för att förbättra sättet de marknadsför sig själva?'" sa Yamasaki. "Och med lite tid, ansträngning och tålamod, de kom tillbaka med ett enkelt men säkert svar:'Ja!'"

Men hur deras lag härledde detta var allt annat än enkelt. Beräkningsanalysen av sociala mediers data kallas ofta gruvdrift, som termen antyder är det en monumental och mödosam uppgift. Av denna anledning, forskare inom detta område använder olika beräkningsverktyg för att analysera sociala medier på sätt som människor inte kan.

"Förr, många företag förbättrade sina marknadsföringsstrategier med hjälp av kundundersökningar och prognoser baserade på deras försäljningsdata, "förklarade huvudforskaren Yiwei Zhang." Men dessa är tidskrävande och oprecisa. Nu har vi tillgång till och expertis inom verktyg som maskininlärning och komplexa statistiska analyser."

Teamet började sitt arbete med att samla in offentligt tillgänglig data från sociala medier från följare av utvalda varumärken. De använde beprövade bildigenkänning och maskininlärningsmetoder för att analysera och kategorisera foton och hashtags relaterade till varumärkenas följare. Detta avslöjade beteendemönster hos konsumenter gentemot olika varumärken. Dessa mönster innebar att forskarna kunde beräkna likheten mellan olika eller till och med orelaterade varumärken.

"Vi utvärderade vår föreslagna algoritm mot köphistorik och frågeformulär, som fortfarande är användbara för att ge sammanhang för köpinformation, " fortsatte Zhang. "De experimentella resultaten visar att kreditkorts- eller poängkortsföretag kunde förutsäga kunders tidigare köpbeteende väl. Vår algoritm kan exakt förutsäga kundernas vilja att testa nya märken. "

Denna forskning kan vara extremt användbar för nya marknadsföringar av varumärken som använder sig av sociala medier. Det kan också användas av köpcentrum och gallerior för att planera vilka butiker de inkluderar eller för butiker att själva välja vilka märken de ska ha i lager. Och forskningen kan till och med hjälpa till att matcha varumärken med lämpliga påverkare på sociala medier för att hjälpa till att marknadsföra sina produkter bättre.

"Att visualisera det som inte har varit synligt tidigare är alltid väldigt intressant, "avslutade Yamasaki." Folk kan säga att proffs redan 'ser' den här typen av mönster, men att kunna visa likheten mellan varumärken numeriskt och objektivt är en ny innovation. Vår algoritm är bevisligen mer effektiv än att bedöma dessa saker baserat på enbart intuition."