Marketing viral modelado con éxito por teóricos de redes

¿Qué probabilidades hay de que compre el última novela de James Bond de William Boyd ? O ver la segunda entrega de El Hobbit trilogía de películas cuando se estrene en diciembre? ¿O votar a los demócratas en las próximas elecciones?

La probabilidad de que compre un producto determinado o adopte una opinión determinada se encuentra en el centro de uno de los problemas más candentes de la teoría de redes: cómo predecir si es probable que un producto, una opinión o un mensaje se vuelva viral.

No hay escasez de respuestas potenciales. De hecho, uno de los logros importantes de la teoría de redes es que demuestra cómo la información se propaga a través de una red en función de la conectividad de los individuos que la integran.

Y, sin embargo, los especialistas en marketing aún tienen que explotar esta idea de una manera que produzca resultados confiables y repetibles. La verdad es que el marketing es más un arte negro que siempre.

Eso podría cambiar pronto gracias al trabajo de Xiao Fang y sus amigos de la Universidad de Utah en Salt Lake City. Hoy, estos muchachos presentan una técnica que predice la probabilidad de adopción de los individuos dentro de una red y dicen que supera dramáticamente los esfuerzos anteriores.

Dicen que su nueva técnica permitirá a los especialistas en marketing orientar sus campañas de manera más efectiva y ajustar los mensajes para los clientes individuales con más probabilidades de adoptar un nuevo servicio en ese momento específico.

Primero, algunos antecedentes. El método estándar para simular la forma en que la información se propaga a través de una red se conoce como modelo en cascada. Esto supone que una persona recibirá una información si un cierto número de sus vecinos más cercanos también la tiene. En otras palabras, la probabilidad de adopción es un efecto social que depende de la influencia de amigos, familiares y otros asociados cercanos.

Este enfoque ha tenido mucho éxito en modelar la propagación de enfermedades, modas, correos electrónicos virales, etc. Pero los científicos de la red saben que está lejos de ser perfecto.

El problema es que hay muchos otros efectos que también influyen en si un individuo adopta o no una idea o compra un producto. Por ejemplo, es más probable que una persona compre un producto debido a los esfuerzos de marketing que se dirigen a él o ella fuera de línea. Cosas como maildrops, vallas publicitarias, anuncios de televisión, etc.

De hecho, estos llamados efectos de confusión son tan poderosos que desafían los intentos de los teóricos de redes de modelar el comportamiento de individuos reales en redes reales.

El problema de modelar el efecto de los esfuerzos de marketing reales es que su tasa de éxito suele ser tan baja que puede parecer insignificante en un modelo en cascada. Por ejemplo, imagine que una empresa envía información sobre un nuevo producto a todas sus empresas existentes. La verdad es que si el medio por ciento de todos estos clientes aceptan la oferta, los especialistas en marketing lo considerarían un gran éxito.

Pero en un modelo en cascada, si el medio por ciento de los amigos de un individuo compran un producto nuevo, eso es esencialmente ninguno de ellos. Entonces este modelo predice que nadie comprará el producto. Simplemente no puede manejar el nivel pequeño pero significativo en el que se desarrolla gran parte del marketing.

Ahí es donde entra en juego el trabajo de Xiao Fang y compañía. Estos chicos han creado un modelo de red que tiene en cuenta los efectos de confusión al evaluar la probabilidad de que un individuo en particular adopte una idea o compre un producto. Específicamente, permite el ligero sesgo que pueden tener las influencias fuera de línea, como las campañas publicitarias.

Y Xiao Fang y compañía dicen que también funciona. Estos chicos han probado su nuevo enfoque en una base de datos de 35.000 clientes de teléfonos móviles que pudieron elegir entre 18 planes de pago diferentes.

La base de datos muestra cuántos clientes adoptaron un nuevo plan cada día durante el transcurso de un año. Esto ocurrió a la modesta tasa de alrededor del 0,4 por ciento.

Esta tasa puede ser el resultado de los efectos de las redes sociales, como que los amigos se recomienden el mismo plan entre sí. Pero también puede ser el resultado de los propios esfuerzos de marketing de las empresas, que no se registran en la red.

La tarea de Xiao Fang y compañía es modelar cómo los clientes adoptaron el nuevo plan de pago en cuestión. Descubrieron que los modelos en cascada convencionales esencialmente no logran predecir ninguna absorción significativa.

Sin embargo, su nuevo enfoque fue significativamente más exitoso. Dicen que la capacidad de tener en cuenta los efectos de confusión desconocidos les permite modelar con éxito la tasa de absorción real, aunque solo fue del 0,4 por ciento.

Además, su modelo muestra qué nodos de una red tienen más probabilidades de verse afectados por los efectos fuera de línea. Eso es importante porque permite a los especialistas en marketing orientar sus campañas de manera mucho más efectiva y monitorear su éxito en tiempo real.

De hecho, el nuevo enfoque plantea la posibilidad de crear mensajes personalizados dirigidos a personas específicas en el momento exacto en que son más vulnerables. Las empresas pueden volverse más efectivas en la selección de semillas para el marketing viral y realizar la selección de forma dinámica con el tiempo, dicen.

Por supuesto, una cosa es predecir con éxito la evolución de los datos históricos. Es otra muy distinta predecir la evolución futura de los datos actuales. Esa será la verdadera prueba de esta nueva idea. Y si tiene éxito, Xiao Fang y compañía harán que el mundo del marketing viral se abra camino hasta su puerta.

Ref: arxiv.org/abs/1309.6369 : Predicción de probabilidades de adopción en redes sociales

esconder