Os modelos de rede famosos não conseguem captar a dinâmica de muitas campanhas de marketing do mundo real. Agora, cientistas da computação dizem ter resolvido o problema
Como prever de maneira bem sucedida a adoção viral das campanhas de marketing?
Qual a probabilidade de você comprar o mais recente romance de James Bond por William Boyd? Ou assistir a segunda parte de O Hobbit quando for lançado? Ou em votar em um determinado partido na próxima eleição?
A probabilidade de você comprar um determinado produto ou adotar uma determinada opinião está no centro dos problemas mais quentes da teoria das redes: como prever se um produto, opinião ou mensagem tem probabilidade de ser viral.
Não faltam respostas possíveis. De fato, um dos sucessos importantes da teoria das redes é que ela demonstra como informações se espalham por uma rede baseada na conectividade dos indivíduos dentro dela.
E os profissionais de marketing ainda têm de explorar essa ideia para produzir resultados confiáveis e repetitivos. A verdade é que o marketing é tanto uma arte como sempre foi.
Isso pode mudar em breve, graças ao trabalho Xiao Fang e seus amigos da University of Utah, em Salt Lake City.
Hoje esses caras revelam uma técnica que prevê a probabilidade de adoção dos indivíduos dentro de uma rede que supera os esforços anteriores de explicar o marketing viral.
Eles dizem que a nova técnica permitirá que os profissionais de marketing direcionem suas campanhas de forma mais eficaz e afinem suas mensagens para os clientes individuais, com maior probabilidade de adotar um novo serviço em um momento específico.
Como prever a adoção viral de campanhas de marketing?
O cenário
O método padrão para simular a maneira com que as informações se espalham através de uma rede é conhecido como modelo de cascata. Isso pressupõe que a pessoa vai receber um pedaço de informação que seus vizinhos também têm.
Em outras palavras, a probabilidade de adoção é um efeito social que depende da influência de amigos, familiares e outras pessoas próximas.
Esta abordagem tem tido muito sucesso na modelagem da propagação de doenças, e-mails e assim por diante. Mas os cientistas sabem que este modelo está longe de ser perfeito.
O problema é que existem muitos outros efeitos que também influenciam ou não a adoção e uma ideia ou de um produto pelos indivíduos.
Por exemplo, uma pessoa pode tornar-se mais propensa a comprar um produto por conta dos esforços de marketing a eles relacionado. Coisas como outdoors, anúncios de TV e etc.
Na verdade, esses efeitos, chamados de confusão são tão poderosos que desafiam as tentativas dos teóricos de rede para modelar o comportamento de indivíduos reais em redes reais.
O problema na modelagem do efeito de esforços de marketing é que sua taxa de sucesso é geralmente tão baixa que podem aparecer insignificante em um modelo em cascata.
Por exemplo, imagine que uma empresa envia informações sobre um novo produto para todas as empresas existentes. A verdade é que, se 0,5% desses clientes aceitarem a oferta, os marqueteiros encaram essa abordagem um enorme sucesso.
Mas em um modelo de cascata, se 0,5% de amigos de uma pessoa compra um produto novo, isso é quase zero. Portanto, este modelo prevê que ninguém vai comprar o produto.
É aí que o trabalho de Xiao Fang entra. Ele e seus companheiros criaram um modelo de rede que leva em conta efeitos de confusão ao avaliar qual a probabilidade de um indivíduo adotar uma ideia ou produto.
E Xiao Fang diz que esse modelo funciona. Eles estão testando a sua nova abordagem em um banco de dados de 35 mil clientes de telefonia móvel que escolheram entre os 18 planos da empresa.
O banco de dados mostra os clientes que trocaram de plano, diariamente, ao longo de 1 ano. Isso aconteceu a uma taxa modesta de 0,4%.
Essa taxa pode ser o resultado de efeitos das mídias sociais, tais como a recomendação de amigos. Mas também pode ser o resultado dos esforços de marketing das próprias empresas, que acabam não sendo registrados.
A tarefa dos pesquisadores é modelar como os clientes mudam para os novos planos de pagamento em questão. Eles descobriram que os modelos convencionais em cascata essencialmente não preveem qualquer situação significativa.
No entanto a nova abordagem foi significativamente mais bem sucedida. Com a capacidade de calcular a confusão desconhecida, os pesquisadores puderam modelar o que realmente determina a taxa de sucesso, apesar dela ser apenas 0,4%.
As empresas podem se tornar mais eficazes na seleção de ideias para o marketing viral de forma dinâmica ao longo do tempo.
Esse modelo mostra quais de nós dentro de uma rede estão suscetíveis de ser derrubados pelos efeitos off-line. Isso é importante porque permite que os profissionais de marketing direcionem suas campanhas de maneira mais eficiente.
De fato, a nova abordagem levanta a perspectiva de criação de mensagens personalizadas destinadas a indivíduos específicos, exatamente no momento em que eles são mais vulneráveis.
É claro que uma coisa é prever com sucesso a evolução dos dados históricos. Outra, bem diferente é prever a evolução futura dos dados atuais.
Esse será o verdadeiro teste desta nova ideia. E se for bem sucedido, Xiao Fang e seus companheiros terão o mundo do marketing viral batendo em sua porta para usar o modelo.
Você pode saber mais baixando o documento diretamente do site da Universidade de Cornell, arxiv.org/abs/1309.6369: Predicting Adoption Probabilities in Social Networks.
___
Este artigo foi adaptado do original, “Viral Marketing Successfully Modeled By Network Theorists“, do MIT Technology Review.
