https://virgool.ir/feed/@academic122fa2026-11-11 19:34:42https://virgool.ir/images/default-avatar.jpghttps://virgool.ir/@academic122https://virgool.ir/@academic122/بازاریابی-مؤثر-در-شبکه-های-اجتماعی-از-طریق-تحلیل-شبکه-های-پیچیده-bhx9i4t9r7jwچکیدهبرای جذب بازار مناسب در شبکه‌های اجتماعی باید محتوای مناسبی و مرتبط با محصول یا خدمت مورد نظر را در گروه مناسب منتشر نمود تا انتشار آن حداکثر تأثیر را در مشاهده و کلیک بر روی تبلیغات و حتی خرید محصول یا خدمات داشته باشد. بدین منظور، هدف این تحقیق پیدا کردن راه حل و روشی مؤثر و کارا برای بازاریابی در شبکه‌های اجتماعی است. در این مقاله از روش‌های تحلیل شبکه‌های پیچیده استفاده می‌کنیم و به‌دنبال حل مسائلی مانند بیشینه‌سازی تأثیر، یافتن گره‌های تأثیرگذار، شناسایی انجمن هدف، تعیین محتوای مناسب برای انتشار و تعیین انجمن مناسب برای انتشار براساس ساختار انجمن هستیم. بدین منظور، کارهای گذشته در این زمینه را مرور می‌کنیم و پس از شناسایی راه حل مناسب و کارآمد، آن را به صورت عملی روی گراف یک شبکه‌ی اجتماعی می‌آزماییم.مقدمهتبلیغات و بازاریابی در فضای مجازی، به‌ویژه شبکه‌های اجتماعی موضوعی چالش‌برانگیز بوده و افراد و شرکت‌های مختلف همواره به‌دنبال داشتن بیش‌ترین تأثیر در تبلیغات خود هستند. برای این که محصول یا خدمت شما توسط افراد زیادی مشاهده شود، نیاز هست که شبکه‌ی اجتماعی به یک گراف پیچیده مدل‌سازی شود که نمایان‌گر شبکه‌ی مورد نظر می‌باشد.بیشینه‌سازی تأثیر، مسئله‌ای است که هدف آن یافتن مجموعه‌ای از گره‌هایی است که میزان انتشار یک فرآیند در حال جریان در گراف را به حداکثر می‌رسانند. [1]بدین منظور، 3 موضوع باید رعایت شود:گره‌های شروعساختار شبکهارزش و کیفیت محصول یا خدمت مورد تبلیغمشخص است که تمامی این موارد در راستای یک هدف جامع‌تر، یعنی "به حداکثر رساندن تعداد مشاهدات، کلیک‌ها بر روی تبلیغات و نرخ تبدیل کلیک به خرید" می‌باشد، که همان هدف اصلی بازاریابی دیجیتال است.کارهای پیشینیکی از روش‌های اندازه‌گیری میزان انتشار در یک گراف، مدل SIR می‌باشد.[6] در این مدل، گره‌های گراف می‌توانند در یکی از وضعیت‌های S، I یا R باشند. در این روش، ابتدا تمام گره‌ها در وضعیت S هستند به جز گره‌های انتخاب شده جهت شروع شیوع که در وضعیت I می‌باشند. در مرحله‌ی بعد، تمام گره‌های در وضعیت I، گره‌های مجاور خود را نیز با احتمال p از وضعیت S به I می‌برند و خودشان به وضعیت R می‌روند. وضعیت گره‌هایی که به حالت R می‌روند، غیرفابل تغییر می‌شود. این فرآیند تکرار می‌شود تا آن که دیگر گره‌ای با وضعیت I باقی نماند. با تکرار این روش به تعداد دفعات زیاد، میانگین تعداد گره‌های باقی‌مانده در وضعیت R یا میانگین نسبت این تعداد به تعداد گره در وضعیت S ملاک مناسبی برای اندازه‌گیری میزان شیوع یا انتشار در شبکه می‌‌باشد.عیبی که این روش دارد، این است که تبلیغات را همانند یک ویروس فرض می‌کند که در حال انتشار است و هر گره‌ی همسایه را با یک احتمال مشخص آلوده می‌کند. این در حالی است که انتشار در تبلیغات و بازاریابی از نوع complex contagion است، در حالی که ویروس‌ها یک simple contagion هستند. گرچه تبلیغاتی که وایرال هستند همانند ویروس اند و از مدل SIR تبعیت می‌نمایند.کار ارکول و همکارانش در بررسی و مقایسه‌ی روش‌های هیوریستیک در حداکثرسازی تأثیر، اهمیت زیادی در مورد حداکثرسازی میزان بازدید دارد. این مقاله روش‌هایی نظیر درجه‎ی انطباقی، معیار مرکزیت نزدیکی، k-shell و... را بررسی کرده و بهینگی آن‌ها در خصوص شناسایی انتشاردهندگان تأثیرگذار را بررسی نموده است.[1] ا طبق تحقیق صورت گرفته در [7]، شناسایی گره‌های تأثیرگذار یک مسئله‌ی NP-complete است، لذا مجبور هستیم از روش‌های هیوریستیک که دقت صددرصد ندارند اما جواب بهینه را به ما می‌دهند استفاده کنیم. نتیجه‌ی حاصل از این تحقیق نشان می‌دهد که تفاوت چندان میان معیارهای مختلف مرکزیت نیست. ملاک اندازه‌گیری و مقایسه‌ی این موارد، ICM است که گونه‌ی ساده‌تری از روش SIR می‌باشد.اما همان طور که قبلاً اشاره شد، روش‌های مبتنی بر SIR، مناسب simple contagionها، مانند ویروس‌ها هستند. موارد بازاریابی ویروسی مانند "میم‌ها" اصولاً complex contagion هستند و به راحتیِ ویروس‌ها انتشار نمی‌یابند، زیرا اختیار افراد در بازنشر دادن محتوا در شبکه‌های اجتماعی دخیل است. بدین معنی که علاوه بر گره‌های اولیه، خود ساختار شبکه نیز بر روی نحوه‌ی انتشار ویروس تأثیر مشهودی می‌گذارد.[9,10,11] در ادامه به برخی موارد ساختاری که روی انتشار محتوا در بازاریابی ویروسی تأثیرگذار می‌باشند می‌پردازیم:دام ساختاریانجمن‌هایی که ساختار متراکم و چگالی بالا با تعداد کمی یال خارجی دارند، ذاتاً باعث توقف جریان اطلاعات به خارج از انجمن می‌شوند.تقویت اجتماعیواگیری‌های پیچیده به تقویت اجتماعی حساس هستند، به‌طوری‌که هر ارتباط خارجی می‌تواند باعث فراگیری محتوا و شیوع بیش‌تر گردد.[8]تعداد کمی از به‌اشتراک‌گذاری محتوا در یک انجمن فشرده و چگال می‌تواند باعث شیوع تبلیغات به کل آن انجمن شود. [8]تشابه متقابلمطالعات نشان می‌دهد که ارتباطات اجتماعی با احتمال بالاتری میان افرادی که سلایق شبیه‌ به ‌هم دارند صورت می‌پذیرد.[12,13] انجمن‌ها نمایانگر مناسبی از تشابه متقابل می‌باشند. افرادی که تشابه بیشتری دارند، ارتباطات بیش‌تری بین آ‌ن‌ها و سلایقشان برقرار می‌گردد که منجر به ایجاد یال‌های بیش‌تر و در نتیجه تشکیل انجمن‌ها می‌شود. مثالی در تحقیق [8] از انجمن‌هایی که زبان یا فرهنگ مشترک دارند، تحت عنوان انجمن‌های دارای تشابه متقابل ذکر شده است. این موضوع در شکل 1 مشخص شده است. افرادی که در توییتر به زبان عربی از #usa استفاده می‌کنند با افرادی که به زبان انگلیسی از #usa استفاده می‌کنند در دو انجمن کاملا تفکیک‌شده و جدا هستند. زیرا این افراد از نظر زبانی دو دسته هستند. همچنین، افرادی که فاکس‌نیوز را دنبال می‌کنند با افرادی که bbc را دنبال می‌کنند در انجمن‌هایی مجزا با اتصال سست قرار دارند. مشخصاً افراد مشابه، ایده‌ها و موضوعات مشابهی را به اشتراک می‌گذارند که باعث تقویت انتشار محتوا در آن انجمن می‌گردد.در نهایت، طبق پژوهشی که در [8] انجام شده، انجمن‌ها به‌شدت تمایل دارند که ارتباطات و شیوع محتوای بازاریابی‌شده را به دام بیندازند. بدین ترتیب محتوای غیر وایرال در انجمن به‌خوبی پخش می‌شود اما فراتر از آن نمی‌رود. در نقطه‌ی مقابل، محتوای وایرال پخش‌تر می‌شود و مشابه ویروس‌های ساده (بر اساس مدل SIR) خود را انتشار می‌دهد و محدود به تعداد کمی انجمن نمی‌شود.آزمایشهر دو راهبرد برای انجام تبلیغ در شبکه‌های اجتماعی ایراداتی دارند که با ارائه‌ی راه حلی جدید، سعی در رفع و بهبود آن‌ها می‌نماییم. راهبرد مقاله‌ی [1] مبتنی بر گونه‌ای از مدل SIR است. این مدل برای پاتوژن‌های ساده مانند ویروس‌ها استفاده می‌شود. گرچه رفتار تبلیغات ویروسی مشابه این مدل می‌باشد، اما به‌طور کلی برای بازاریابی در شبکه‌های اجتماعی از مدل رفتار آبشاری مطرح در [14] استفاده می‌شود. طبق این روش، دو عامل ساختار انجمن‌ها و نسبت ارزش محصول ما به محصول رقیب بیش‌ترین تأثیر در انتشار و شیوع در بازاریابی را دارند، اما به همین علت، یافتن گره‌های اولیه برای شروع انتشار کار بسیار دشواری می‌شود و از طرفی یافتن عددی ثابت برای نسبت ارزش مورد تبلیغی امکان‌ناپذیر است و به سلیقه‌ی افراد نیز وابسته است. همین عدد ثابت منجر به قطعی شدن الگوریتم انتشار در این راهبرد شده که این موضوع بر خلاف ماهیت شبکه‌های اجتماعی می‌باشد و همواره احتمالات به‌صورت گسترده در آن دخیل می‌باشند.به عنوان راه حل پیشنهادی برای بازاریابی کارا و بهینه، سعی می‌کنیم نتیجه‌ی حاصل از آزمایش [1] را با ایجاد تغییراتی در راهبرد [14] ترکیب کنیم. بدین منظور، در روش ارائه شده از سه اصل زیر بهره می‌گیریم:1) با توجه به این که رفتار بازاریابی وایرال مشابه مدل SIR می‌باشد، نتیجه‌ی حاصل از این الگوریتم برای یافتن گره‌های اولیه‌ی مؤثر، تا حدی قابل قبول است. (در واقع جواب واقعی زیرمجموعه‌ای از نتیجه‌ی [1] می‌باشد.) لذا برای انتخاب گره‌های اولیه، از همان معیارها مانند مرکزیت، درجه و بینابینی استفاده می‌نماییم. با توجه به این که انجمن‌ها در شیوع ایده تأثیرگذار هستند، این نودها را بر اساس این معیارها و به ازای هر انجمن برمی‌گزینیم.2) در روش [14] ساختار انجمن‌ها در شیوع ویروسی لحاظ شده است اما نتایج اجرای این الگوریتم همواره قطعی است که خلاف واقعیت است. بدین منظور از احتمال با توزیع نرمال هنگام بررسی سرایت به گره‌های همسایه استفاده می‌نماییم.3) نسبت ارزش محصول یا خدمت ما نسبت به سایر گره‌ها را نمی‌توان به‌طور قطعی و تنها با یک عدد تعیین نمود. این نسبت در راهبرد جدید به شکل تابعی احتمالاتی به فرم نرمال می‌باشد. این موضوع در اصل دوم نیز مطرح شد و در واقع هر دو به یک مفهوم اشاره دارند.در ادامه به ارائه‌ی نتایج حاصل از اجرای آزمایشی با قواعد بر روی گراف شبکه‌ی اجتماعی دوستی فیسبوک می‌پردازیم.این آزمایش مشابه روش نشر آبشاری در [14] عمل می‌کند با این تفاوت که به جای در نظر گرفتن نسبت ارزش‌های دو محصول به عنوان اعداد ثابت، آن را یک تابع نرمال حول این عدد ثابت در نظر می‌گیریم. بدین ترتیب، شیوع ویروسی مطالب حالت قطعی نخواهد و هر بار بر اساس احتمالات نتایج متفاوتی حاصل می‌گردد، زیرا وایرال شدن یک مطلب هیچ گاه قطعی نیست و به شرایط بسیار متغیری بستگی دارد. برنامه‌ی مورد نظر به زبان پایتون و با استفاده از کتاب‌خانه‌ی NetworkX ایجاد شده است. یافتن گره‌ها براساس معیارهای مختلف به کمک ابزار Gephi انجام شده است که همان داده‌های اولیه‌ برای ورود به برنامه هستند.نتایج زیر میزان شیوع را بر اساس معیارهای مختلف انتخاب گره‌های اولیه نمایش می‌دهند.معیار Eigenvector: نیم درصد معیار PageRank: پنج درصدمعیار Betweenness: چهار درصدمعیار Closeness: دو و چهار دهم درصدمعیار TriangleCount : یک و سه دهم درصدمعیار درجه: چهار درصدمعیار Combined: چهار درصدمیزان شیوع از نسبت گره‌های دارای A به کل گره‌ها به دست می‌آید و ارزش A با B برابر در نظر گرفته شده.نتایج نشان می‌دهند که معیار PageRank بیش‌ترین میزان شیوع را ایجاد می‌نماید.نتیجه‌گیرینتایج حاصل از اجرای چنین برنامه نشان می‌دهد معیار PageRank از سایر معیارها در شبکه‌های اجتماعی برای انتخاب گره‌های اولیه مؤثرتر می‌باشد. این موضوع تنها در عمل و برای اکثر شبکه‌های اجتماعی صحت دارد، زیرا شبکه‌های اجتماعی ساختار شبکه‌ای خاص و مشابهی دارند. آزمایشات انجام شده در [4] نیز همین نتایج را نشان می‌دهند، اما این موضوع به شکل نظری قابل اثبات نیست و به عنوان کارهای آینده، می‌توان از روش‌های هیوریستیک و یادگیری ماشین استفاده نمود که به احتمال زیاد نتایج آن نزدیک به همان معیار PageRank خواهد بود.راهکار بهینه برای بازاریابی در شبکه‌های اجتماعی، یافتن گره‌های دارای بیش‌ترین میزان PageRank می‌باشد و انتخاب تعدادی گره براساس میزان بودجه‌ای که داریم. همچنین، باید توجه داشته باشیم که خود کیفیت محتوا و ارتباط آن با انجمن مورد انتشار یک عامل بسیار مهم در وایرال شدن مطلب می‌باشد زیرا منجر به کاهش نسبت B/(A+B) می‌شود.مطالب اضافهکد منبع پروژه در این ریپازیتوری و مقاله‌ی مربوطه در این لینک موجود می‌باشد.مراجع[1] S. Erkol, C. Castellano, F. Radicchi, “Systematic comparison between methods for the detection of influential spreaders in complex networks”[2] A. Karczmarczyk, J. Jankowski, J. Watrobski, “Parametrization of Spreading Processes Within Complex Networks with the Use of Knowledge Acquired from Network Samples”[3] S. Pei, F. Morone and H. A. Makse, “Theories for influencer identification in complex networks”[4] J. Jankowski, M. Waniek, A. Alshamsi, P. Bro´dka, R. Michalski, “Strategic distribution of seeds to support diffusion in complex networks”[5] L. Weng, F. Menczer, Y. Y. Ahn, “Virality Prediction and Community Structure in Social Networks”[6] Pastor-Satorras, R., Castellano, C., Van Mieghem, P. & Vespignani, “A. Epidemic processes in complex networks.”[7] Kempe, D. Kleinberg, J. Tardos, “Maximizing the spread of influence through a social network”[8] Weng, L., Menczer, F. & Ahn, Y. Virality Prediction and Community Structure in Social Networks[9] Moreno, Y., Nekovee, M. & Pacheco, A. F. Dynamics of rumor spreading in complex networks.[10] Watts, D. J. A simple model of global cascades on random networks.[11] Dodds, P. S.&Watts, D. J. Universal behavior in a generalized model of contagion.[12] McPherson, M., Lovin, L. & Cook, J. Birds of a feather: Homophily in social networks.[13] Centola, D. An experimental study of homophily in the adoption of health behavior[14] David Easley and Jon Kleinberg, “Networks, Crowds and markets: Reasoning about a Highly Connected World” Chapter 19behdadbehdadMon, 11 Jul 2022 23:17:03 +0430