I grandi brand cercano continuamente di trovare la risposta a una domanda: “cosa pensa veramente la gente di me?”; ora, un nuovo metodo ideato dai ricercatori della Robert H. Smith School of Business dell’Università del Maryland sembra poter rendere la lettura del consumer sentiment su Facebook e altri social media più facile e più accurata che mai.
Kunpeng Zhang e Wendy W. Moe sono i due ricercatori della Smith Maryland che hanno creato un nuovo algoritmo di machine learning che può scorrere attraverso i post dei social media per capire come i consumatori percepiscono specifiche marche.
E, se da un lato il monitoraggio dei social media non è nuovo – le aziende lo fanno già da molti anni –, il metodo di Moe e Zhang sarebbe in grado di setacciare più dati e misurare meglio la brand favorability, cioè il grado di opinione positiva che le persone hanno della marca.
Il metodo dei due ricercatori setaccia i dati dai post dei social media sulla pagina Facebook di un brand – tra cui quante persone hanno espresso sentimenti positivi, sentimenti negativi, hanno dato il “like” a qualcosa, condiviso qualcosa – per prevedere come le persone percepiranno quella marca in futuro.
Secondo i ricercatori, c’è una grande quantità di dati dei social media disponibili per aiutare i brand a capire meglio i loro clienti, ma sono stati sottoutilizzati, in parte perché i metodi usati per monitorare e analizzare i dati si sono rivelati imperfetti. Questa ricerca è tesa ad affrontare alcune di queste carenze e fornire alle aziende uno strumento per valutare più accuratamente come i consumatori percepiscono i loro brand.
Zhang e Moe hanno confrontato i risultati del loro algoritmo con i dati dei sondaggi di 100 marche del 2015, 2016 e 2017 per verificare come funziona. In passato, i brand manager dovevano affidarsi ai sondaggi dei consumatori per monitorare la percezione di una marca, un’attività lunga e costosa che diventava obsoleta prima ancora che i sondaggi potessero essere analizzati.
Un altro enorme vantaggio per il nuovo metodo di Zhang e Moe, hanno sottolineato i due ricercatori, è la scalabilità. Nessuno dei modelli statistici può gestire serie di dati così grandi, mentre invece ci sono miliardi di pagine di dati di interazione utente-brand ed è possibile includere milioni di utenti dei social media.
Zhang e Moe hanno raccolto ed esaminato i dati di Facebook per più di 3.300 marche e circa 205 milioni di utenti unici che hanno interagito con queste marche attraverso le loro pagine Facebook. Il loro dataset era immenso, contenente 6,68 miliardi di like e il testo completo di più di 1 miliardo di commenti degli utenti; una sfida considerevole per qualsiasi sforzo di modellazione statistica.
Ma i ricercatori sono riusciti a farlo con una struttura, utilizzando una tecnologia chiamata tecnica di campionamento MCMC basata sui blocchi, che può essere implementata da qualsiasi marca per misurare più accuratamente le opinioni dei consumatori utilizzando i dati dei social media.
Il loro algoritmo guarda le interazioni degli utenti con le marche per misurare la brand favorability, se le persone vedono quel marchio in modo positivo o negativo.
Il metodo dei ricercatori prende in considerazione i pregiudizi degli utenti comunemente visualizzati sui social media. L’algoritmo può dedurre la favorability del brand e misurare la positività degli utenti dei social media, sulla base dei loro commenti nei dati di interazione utente-marca.
Le marche, hanno dichiarato i ricercatori, possono utilizzare l’algoritmo con varie piattaforme social media: Facebook, Twitter, Instagram. A condizione che la piattaforma fornisca dati di interazione utente-brand e permetta agli utenti di commentare, condividere e mettere “mi piace” ai contenuti.
Inoltre, i ricercatori hanno sottolineato di non aver usato informazioni private, come i dati demografici degli utenti, e di basarsi solo sui dati di interazione utente-brand disponibili pubblicamente.
