Le marketing viral modélisé avec succès par les théoriciens des réseaux

Quelle est la probabilité que vous achetiez le dernier roman de James Bond de William Boyd ? Ou pour regarder le deuxième volet de Le Hobbit trilogie cinématographique à sa sortie en décembre ? Ou voter démocrate aux prochaines élections ?

La probabilité que vous achetiez un certain produit ou adoptiez une certaine opinion est au cœur de l'un des problèmes les plus brûlants de la théorie des réseaux : comment prédire si un produit, une opinion ou un message est susceptible de devenir viral.

Les réponses potentielles ne manquent pas. En effet, l'un des succès importants de la théorie des réseaux est qu'elle démontre comment l'information se propage à travers un réseau en fonction de la connectivité des individus qui le composent.

Et pourtant, les spécialistes du marketing n'ont pas encore exploité cette idée de manière à produire des résultats fiables et reproductibles. La vérité est que le marketing est plus que jamais un art noir.

Cela pourrait bientôt changer grâce au travail de Xiao Fang et de ses amis de l'Université de l'Utah à Salt Lake City. Aujourd'hui, ces gars dévoilent une technique qui prédit la probabilité d'adoption des individus au sein d'un réseau et disent qu'elle surpasse considérablement les efforts précédents.

Ils disent que leur nouvelle technique permettra aux spécialistes du marketing de cibler leurs campagnes plus efficacement et d'affiner les messages pour les clients individuels les plus susceptibles d'adopter un nouveau service à ce moment précis.

Tout d'abord, un peu de contexte. La méthode standard pour simuler la façon dont l'information se propage à travers un réseau est connue sous le nom de modèle en cascade. Cela suppose qu'une personne recevra une information si un certain nombre de ses plus proches voisins la possèdent également. En d'autres termes, la probabilité d'adoption est un effet social qui dépend de l'influence des amis, de la famille et des autres proches.

Cette approche a eu beaucoup de succès dans la modélisation de la propagation des maladies, des modes, des e-mails viraux, etc. Mais les scientifiques du réseau savent que c'est loin d'être parfait.

Le problème est qu'il existe de nombreux autres effets qui influencent également le fait qu'un individu adopte ou non une idée ou achète un produit. Par exemple, une personne peut devenir plus susceptible d'acheter un produit en raison des efforts de marketing qui la ciblent hors ligne. Des choses comme les maildrops, les panneaux d'affichage, les publicités télévisées, etc.

En fait, ces soi-disant effets de confusion sont si puissants qu'ils défient les tentatives des théoriciens des réseaux de modéliser le comportement d'individus réels sur des réseaux réels.

Le problème de la modélisation de l'effet des efforts marketing réels est que leur taux de réussite est généralement si faible qu'il peut sembler négligeable dans un modèle en cascade. Par exemple, imaginez qu'une entreprise envoie des informations sur un nouveau produit à toutes ses entreprises existantes. La vérité est que si un demi pour cent de tous ces clients acceptaient l'offre, les spécialistes du marketing considéreraient cela comme un énorme succès.

Mais dans un modèle en cascade, si un demi pour cent des amis d'un individu achètent un nouveau produit, ce n'est pratiquement aucun d'entre eux. Ce modèle prédit donc que personne n'achètera le produit. Il ne peut tout simplement pas gérer le niveau petit mais important auquel se déroule une grande partie du marketing.

C'est là qu'intervient le travail de Xiao Fang et co. Ces gars-là ont créé un modèle de réseau qui prend en compte les effets de confusion lors de l'évaluation de la probabilité qu'un individu en particulier adopte une idée ou achète un produit. Cela permet spécifiquement le léger biais que les influences hors ligne, comme les campagnes publicitaires, peuvent avoir.

Et Xiao Fang et co disent que ça marche aussi. Ces gars-là ont testé leur nouvelle approche sur une base de données de 35 000 clients de téléphonie mobile qui ont pu choisir entre 18 plans de paiement différents.

La base de données montre combien de clients ont adopté un nouveau plan chaque jour au cours d'une année. Cela s'est produit au taux modeste d'environ 0,4 pour cent.

Ce taux peut être le résultat d'effets de réseaux sociaux tels que des amis se recommandant le même plan les uns aux autres. Mais cela peut aussi être le résultat des efforts marketing des entreprises, qui ne sont pas enregistrés sur le réseau.

La tâche de Xiao Fang and co est de modéliser la façon dont les clients ont adopté le nouveau plan de paiement en question. Ils ont découvert que les modèles en cascade conventionnels ne parviennent pratiquement pas à prédire une utilisation significative.

Cependant, leur nouvelle approche a eu beaucoup plus de succès. Ils disent que la capacité de tenir compte des effets de confusion inconnus leur permet de modéliser avec succès ce taux d'utilisation réel, même s'il n'était que de 0,4%.

De plus, leur modèle montre quels nœuds d'un réseau sont les plus susceptibles d'être influencés par des effets hors ligne. C'est important car cela permet aux marketeurs de cibler leurs campagnes beaucoup plus efficacement et de suivre leur succès en temps réel.

En effet, la nouvelle approche ouvre la perspective de créer des messages personnalisés destinés à des individus spécifiques exactement au moment où ils sont les plus vulnérables. Les entreprises peuvent devenir plus efficaces dans la sélection des semences pour le marketing viral et effectuer la sélection de manière dynamique au fil du temps, disent-elles.

Bien sûr, c'est une chose de réussir à prédire l'évolution des données historiques. C'en est une autre de prédire l'évolution future des données actuelles. Ce sera le véritable test de cette nouvelle idée. Et si cela réussit, Xiao Fang and co verront le monde du marketing viral se frayer un chemin jusqu'à leur porte.

Réf : arxiv.org/abs/1309.6369 : Prédire les probabilités d'adoption dans les réseaux sociaux

cacher