MARKETING I RYNEK

6/2013

M

Ma

arrk

ke

ettiin

ng

g w

w p

prra

ak

ktty

yc

ce

e

24

Rozwój mediów
społecznościowych
w świetle możliwości
przetwarzania danych
na rynku e-commerce

Globalizacja rynków, zmniejszona dynamika

rozwoju przedsiębiorstw, spowolniony rozwój wy-
miany handlowej czy zmiany społeczno-kulturowe
sprawiają, że coraz więcej firm poszukuje dla siebie
na rynku nowej przestrzeni działania. Co więcej,
ich poziom konkurencyjności jest coraz częściej
uwarunkowany wysokiej jakości danymi, a za ich
pośrednictwem — użytecznymi informacjami
kształtującymi trafne decyzje.

Nie ulega też najmniejszej wątpliwości, że

zmiany technologiczne pociągają za sobą zmiany
w życiu społecznym, które jednocześnie kształtu-
ją nowe warunki ekonomicznej sprawności działa-
nia firm. Cyfryzacja przestrzeni życiowej w społe-
czeństwie wykreowała nieznane jak dotąd nowe
trendy i style życia społecznego. Z jednej strony
towarzyszy jej obfitość oraz różnorodność danych,
z drugiej zaś wymusza ona na firmach skuteczne
wypracowywanie narzędzi do zarządzania i prze-
twarzania danymi. Te podmioty, które decydują
się na wzmożoną aktywność rynkową i aspirują
do wysokiego poziomu wzrostu i rozwoju własne-
go biznesu na rynku e-commerce, muszą brać pod
uwagę wiele działań mających na celu zdobywa-
nie coraz to lepszych i bardziej wartościowych da-

nych

1

. Bez nich bowiem są w stanie jedynie kiero-

wać się intuicją i kreatywnością, która w wielu
przypadkach zawodzi i, co gorsze, prowadzi do
utraty cennych zasobów

2

.

Postęp w technologii informacyjno-informaty-

cznej, a wraz z nim pojawienie się Internetu i no-
wych nośników informacji, typu komputery, tablety,
smartfony itp., przyczynił się do otwarcia nowych
możliwości komunikacji społecznej. Dla wielu firm
rewolucja informacyjna, jaka dokonała się na rynku
e-commerce, i pojawienie się serwisów społecznościo-
wych (typu Facebook, Twitter czy YouTube) zrodzi-
ła nowe źródła pozyskiwania danych o użytkowni-
kach i tym samym nowe możliwości analitycznego
spojrzenia na konsumenta.

Sama istota cyfrowego biznesu obejmuje wszyst-

kie procesy przeprowadzane elektronicznie. Nie po-
lega ona wyłącznie na przeprowadzeniu elektronicz-
nej transakcji, ale również informatyzacji możliwie
wszystkich procesów prowadzących do takiej trans-
akcji. Oznacza to m.in. wymianę informacji i doku-
mentów między odbiorcami a producentami i dystry-
butorami produktów i usług, zawieranie kontraktów
i obsługę związanych z nimi płatności, komputerowo
wspomagane projektowanie i wytwarzanie wyrobów,
świadczenie usług cyfrowych, logistykę, wyszukiwa-
nie informacji itp.

Piotr Tarka

Katedra Badań Rynku i Usług,
Uniwersytet Ekonomiczny w Poznaniu

Media społecznościowe

a metody personalizacji

i rekomendacji

treści reklamowych

i oferty produktowej

1

Wartość globalnego rynku e-commerce, czyli handlu w Internecie, przez

ostatnie 5 lat rosła średnio o 13% rocznie. Na tym tle wyróżnia się polski
rynek e-commerce, który wrósł w 2011 r. o ponad 32% — do niemal
18 mld zł, prognozy oscylują zaś wokół 24%.

2

Rewolucja u bram — 10 idei, które sprawiają, że nic już nie będzie jak

dawniej, „Scientific American” 2012, nr 1 (245).

MiR_Marketing w praktyce_2.qxd 23-05-2013 18:37 Page 24

25

MARKETING I RYNEK

6/2013

M

Ma

arrk

ke

ettiin

ng

g w

w p

prra

ak

ktty

yc

ce

e

R

Ry

yssu

un

ne

ek

k 1

1.. D

De

ette

errm

miin

na

an

ntty

y rro

ozzw

wo

ojju

u rry

yn

nk

ku

u m

me

ed

diió

ów

w ssp

po

ołłe

ec

czzn

no

ośśc

ciio

ow

wy

yc

ch

h w

w P

Po

ollssc

ce

e

Ź r ó d ł o: opracowanie na podstawie raportu Information Management and Analytics Consulting Marketplace: Key Trends, Profiles
and Forecasts, Kennedy Consulting Research and Advisory 2012.

Oszczędności

31

%

29

19

10

7

4

Wzrost i rozwój

rynku mobilnego

i klasycznego

Internetu

Bezpieczeństwo

Coraz większa

ilość danych

Regulacje prawne

Przepustowość

sieci

R

Ry

yssu

un

ne

ek

k 2

2.. R

Ró

óżżn

no

orro

od

dn

ne

e ffo

orrm

my

y d

da

an

ny

yc

ch

h

Odpowiedzi wielokrotne.

Ź r ó d ł o: opracowanie na podstawie raportu Big Data Analytics Trends — TDWI Best Practices Report, TDWI Research group 2012.

Dane numeryczne (np. tabele, rekordy) i tekstowe

Dane audiowizualne (np. ludzki język, kamery,

mikrofony, aparaty fotograficzne, fotokomórki)

Dane z mediów społecznościowych

(e-mail, blogi itp.)

Dane z systemów komputerowych (np. cookies)

i przepływów użytkowników po różnych

stronach internetowych

Dane generowane przez inne urządzenia

(bankomaty, skanery — point of sales, telefony

komórkowe — smartfony itp.)

Dane przestrzenne

(mapy, systemy nawigacyjne GPS)

MiR_Marketing w praktyce_2.qxd 23-05-2013 18:53 Page 25

MARKETING I RYNEK

6/2013

M

Ma

arrk

ke

ettiin

ng

g w

w p

prra

ak

ktty

yc

ce

e

26

Niestety, media społecznościowe podnoszą bardzo

wysoko poprzeczkę utrzymania w firmach umiejęt-
ności analitycznych u ludzi w sferze optymalnego łą-
czenia różnych zbiorów danych (tj. ich logicznego
przełożenia na język użytkowników). Powiększają
także coraz bardziej potrzeby inwestycyjne firm, wy-
nikające z modernizacji lub zakupu nowoczesnych
technologii, tj. systemów informacyjnych, hurtowni
baz danych czy oprogramowania do analizy danych

3

.

Bezpieczeństwo danych
gromadzonych przez portale
społecznościowe
— przypadek Facebooka

Ingerencja w zbyt szeroki zakres danych demo-

graficzno-psychograficznych przez media społecz-
nościowe może budzić niekiedy niepokój. Pozostaje
także nierozwiązany problem zapewnienia bezpie-
czeństwa, a tym samym zachowania wystarczające-
go systemu ochrony prywatności danych osób, któ-
re te dane dostarczają.

Na przykład na portalu społecznościowym Facebo-

ok, możemy uzyskać dostęp do danych personalnych,
takich jak e-maile, komentarze, preferencje produk-
towe, osobiste fotografie itp. Facebook ma dostęp do
wielu danych i jest w stanie zaprojektować ekspery-
menty analityczne z uwzględnieniem blisko 900 mln
użytkowników. Oczywiście firma nie może udostęp-
niać danych firmom zewnętrznym na temat pojedyn-
czych użytkowników portalu. Stąd te, które współ-
pracują z Facebookiem, z teoretycznego punktu wi-
dzenia mogą się jedynie opierać na analizie danych
ogółem. W praktyce jednak eksperymenty, które
przeprowadza Facebook w celu zwiększenia poziomu
skuteczności działań marketingowych firm ze-
wnętrznych (zlecających im swoje badania marketin-
gowe), wkraczają w sferę anonimowości jednostek.

Dotyczy to zwłaszcza pozycjonowania reklam,

które pojawiają się na Facebooku i które mają na-
kłaniać poszczególnych użytkowników do kupowa-
nia większej liczby produktów w realnych skle-
pach

4

. Oczywiście treść tych reklam dociera rów-

nież poprzez urządzenia mobilne — smartfony.
Tym samym Facebook, jako dostawca informacji,
zezwala (świadomie lub nieświadomie) innym fir-
mom na ukierunkowywanie wyprofilowanych re-

klam do użytkowników na podstawie najczęściej
przez nich odwiedzanych stron z jednoczesnym wy-
korzystaniem adresów e-mailowych, fotografii, ko-
mentarzy zamieszczanych bezpośrednio na osobi-
stych profilach. Informacje takie pozwalają firmom
zewnętrznym nie tylko na poznanie ogólnego profi-
lu grupy użytkowników, ale także umożliwiają (na
podstawie tych profili) dopasowywanie poszczegól-
nych ofert do każdego użytkownika z osobna

5

. Bar-

dzo podobny kontekst wykorzystania danych został
wprowadzony przez firmę Google, która projektu-
jąc przeglądarkę opartą na wyborach wyszukiwania
dokonywanych przez ludzi, daje wielu zewnętrz-
nym firmom możliwości zamieszczania reklam tuż
pod bezpośrednim adresem danego linku.

Dane z portali społecznościowych
a metody rekomendacji
i personalizacji treści w Internecie

Przedstawione powyżej formy dopasowania tre-

ści reklamowych w wielu firmach (np. w branży
odzieżowej czy usług rozrywkowych, jakie kieruje
się bezpośrednio do użytkowników Internetu) nie
byłyby w ogóle możliwe bez udziału mediów elek-
tronicznych, tj. portali społecznościowych, takich
jak Facebook, Twitter, Flickr, YouTube czy Blog-
ger, i prowadzonych przez nie prac badawczych
w sferze rozwoju metod analitycznych związanych
z personalizacją i rekomendacją formułowanych
przekazów/treści

6

. Każdy z portali, konstruując

swój optymalny system rekomendacji i personaliza-
cji (rysunek 3), musi uwzględniać specyfikę własnej
domeny, zapotrzebowanie informacyjne i charakter
danych, które pozyskuje drogą pośrednią (często
bez udziału i świadomości użytkowników) lub bez-
pośrednio, z ich aktywnym udziałem.

Zakres danych, które może w tym wypadku zgro-

madzić portal społecznościowy, obejmuje np.:

z

dane demograficzne użytkowników: płeć, lokali-
zacja, narodowość, wiek, zainteresowania, aktyw-
ność zawodowa i aktywność w życiu prywatnym,

z

dane uwzględniające procesy komunikacji użyt-
kowników, tj. charakter i sposób nawiązywa-
nych kontaktów z innymi członkami sieci,

z

dane opisujące stopień zaufania i odzwierciedla-
jące zakres otwartości każdego z użytkowników
w przekazywaniu poprzez stronę osobistych in-
formacji na swój temat,

3

P. Tarka, Zastosowanie predykcyjnego modelu analitycznego w dosko-

naleniu działań marketingowych firm, „Marketing i Rynek” 2012, nr 2;
Big Data Analytics Trends — TDWI Best Practices Report, TDWI Rese-
arch group 2012.

4

Niektóre nowe strategie reklamowe powstające w wyniku zaawansowa-

nych metod przetwarzania danych już przynoszą owoce. Internetowy
sklep Shoebuy, należący do grupy IAC/InterActive, biorąc udział w te-
ście, był w stanie pokazać reklamy użytkownikom na stronie Facebooka
na podstawie tego, czego szukają oni gdzie indziej w sieci.

5

R. Girardi, L. B. Marinho, A Domain Model of Web Recommender Sys-

tems Based on Usage Mining and Collaborative Filtering, „Requirements
Engineering Journal” 2006, No. 1.

6

P. Bonhard, M.A. Sasse, Knowing Me, Knowing You — Using Profiles

and Social Networking to Improve Recommender Systems, „BT Techno-
logy Journal” 2006, No. 3.

MiR_Marketing w praktyce_2.qxd 23-05-2013 18:37 Page 26

z

dane z nawigacji po stronie, np. czas odwiedzania
stron, liczba odsłon, kolejność wyboru poszczegól-
nych kategorii znajdujących się na stronie.

W zależności od zakresu danych do dyspozycji firmy

mogą dokonywać wyboru odpowiedniej metody perso-
nalizacji i rekomendacji treści reklam lub produktów.
Na ogół jednak mają do dyspozycji trzy podejścia

7

.

I tak, w ramach podejścia opartego na filtracji

kolaborującej (collaborative filtering) firmy reko-
mendują użytkownikowi potencjalnie interesujące
go treści z reklam, tudzież interesujące go produkty
w efekcie wcześniejszych ocen podanych przez gru-
pę innych użytkowników odwiedzających stronę.

Dla przykładu — osoby kupujące produkty

w sklepie Amazon mają szansę dokonać zakupu
produktów o podobnym znaczeniu użytkowym

8

.

Analogiczna sytuacja występuje na portalach spo-
łecznościowych, na których oceniane są różne kate-
gorie filmów. Oceny wcześniejszych użytkowników
pozwalają nowym użytkownikom serwisu na usta-
lenie własnych preferencji oglądanych filmów.

Niestety wadą systemu opartego na filtracji kolabo-

rującej jest parametryzacja ocen wydawanych przez

użytkowników. Dlatego też, aby możliwa była jakakol-
wiek rekomendacja produktu, potrzebny jest aktywny
udział użytkownika odwiedzającego dany portal,
a zwłaszcza wydana przez niego rzeczywista (niezafał-
szowana) ocena produktu/kategorii tematycznej na
wyznaczonej przez administratora portalu skali po-
miarowej. Dopiero sumaryczne ujęcie wszystkich ocen
daje firmie podstawę do wypracowania algorytmu re-
komendacji i personalizacji pozostałych (o zbliżonych
cechach) produktów lub treści w sieci. Portale społecz-
nościowe, które zdecydowały się na tego rodzaju roz-
wiązanie, to m.in. Facebook, Twitter czy Blogger.

I tak, na Facebooku użytkownicy deklarując swoje za-

interesowania poprzez ciągły proces uaktualniania osobi-
stego profilu, łączą się z użytkownikami innych grup i oce-
niają odwiedzane strony oraz znajdujące się na nich pro-
dukty, wydarzenia społeczno-kulturalne itp. Użytkownik,
który łączy się poprzez swój osobisty profil ze stroną (fan-
pagem) firmy Levi’s i poddaje ocenie daną markę spodni,
w istocie rzeczy odsłania swoje preferencje wobec tego pro-
duktu. Ten sam proces możemy również prześledzić na
stronie internetowej Twittera z tą jednakże różnicą, że
w analizie preferencji użytkowników wobec marki (Levi’s)
stosuje się metodę analizy danych jakościowych, a nie ilo-
ściowych

9

.

27

MARKETING I RYNEK

6/2013

M

Ma

arrk

ke

ettiin

ng

g w

w p

prra

ak

ktty

yc

ce

e

R

Ry

yssu

un

ne

ek

k 3

3.. W

Wk

kłła

ad

d p

po

osszzc

czze

eg

gó

ólln

ny

yc

ch

h p

po

orrtta

allii ssp

po

ołłe

ec

czzn

no

ośśc

ciio

ow

wy

yc

ch

h

w

w rro

ozzw

wó

ójj m

me

etto

od

d p

pe

errsso

on

na

alliizza

ac

cjjii ii rre

ek

ko

om

me

en

nd

da

ac

cjjii ttrre

eśśc

cii

Ź r ó d ł o: opracowanie własne.

Strony portali

społecznościowych

Facebook

Twitter

Flickr

YouTube

Blogger

Typ danych

Dane demograficzne

Metoda kolaboracji filtrującej

Metoda analizy zawartości

pozycji

Metoda hybrydowa

Dane o zainteresowaniach

Dane z kontaktów społecznych

Dane dotyczące zaufania

do strony

Inne dane

Metodyczne podejście

w analizie danych

7

M. Balabanovic, Y. Shoham, Fab: Content-based, Collaborative Recom-

mendation, „Communications of the ACM” 1997, No. 3; Recommender
Systems, Encyclopedia of Machine Learning 2010, s. 22–24.

8

G. Linden, B. Smith, J. York, Amazon.com Recommendations, „IEEE

Internet Computing” 2003, January–February; B. Marlin, Modeling
User Rating Profiles for Collaborative Filtering, The 17th Annual Confe-
rence on Neural Information Processing Systems (NIPS’2003), s. 47–59.

9

W. Hill, L. Stead, M. Rosenstein, G. Furnas, Recommending and Eva-

luating Choices in a Virtual Community of Use, CHI 1995, s. 156–178;
G. Adomavicius, A. Tuzhilin, Expert-driven Validation of Rule-Based
User Models in Personalization Applications, „Data Mining and Know-
ledge Discovery” 2001, No. 2.

MiR_Marketing w praktyce_2.qxd 23-05-2013 18:53 Page 27

MARKETING I RYNEK

6/2013

M

Ma

arrk

ke

ettiin

ng

g w

w p

prra

ak

ktty

yc

ce

e

28

Drugim alternatywnym podejściem w metodach

rekomendacji oraz personalizacji treści/produktów
jest podejście oparte na analizie zawartości po-
szczególnych profili użytkowników oraz anali-
zie atrybutów produktów umieszczonych na
stronie (content-based recommending). Skuteczność
tej metody wymaga jednak, aby produkty posiadały
określone atrybuty oraz zawierały interesujące
z punktu widzenia użytkownika określone treści opi-
sowe i wizualne. W analizie profili użytkowników
rozpatrywane są przede wszystkim preferencje, np.
ulubione strony oraz grupy, do których użytkownik
może należeć w ramach założonego konta na Face-
booku czy Twitterze. Aktywność użytkowników, wy-
rażana w formie przesyłanej wiadomości tekstowej
(e-mail) lub dodania komentarza (pozytywnego bądź
negatywnego), jest odnotowywana w bazie danych
firmy, co daje wszelkie podstawy do stworzenia wła-
ściwego algorytmu rekomendacji i personalizacji tre-
ści — komunikatów lub produktów

10

.

Ostatnia, trzecia grupa metod personalizacji i re-

komendacji treści to metody hybrydowe, które
łączą w sobie dwa omówione wcześniej podejścia.
W metodach hybrydowych występują te same gru-
py odniesienia użytkowników, ale zmienia się (tzn.
ulega poszerzeniu) liczba i zakres źródeł informa-
cyjnych, na których firma przeprowadza operacje
analityczne. W efekcie otrzymuje ona pełniejsze
spektrum rozpoznania preferencji, upodobań, za-
chowań użytkowników

11

.

Podsumowanie

Media społecznościowe dzięki Internetowi niewąt-

pliwie poszerzają zakres możliwości operacyjnego
działania wielu firm w sferze handlu elektronicznego,

w tym oddziaływania na poszczególnych użytkowni-
ków (konsumentów) sieci. Rozwój nowych technologii
pomaga im stopniowo transferować swój główny ob-
szar działalności (prowadzonej dotychczas w tradycyj-
nych warunkach rynkowych) do nowej przestrzeni —
rynku wirtualnego. Jednakże przejście to jest obwaro-
wane licznymi wymogami, jakie firmy muszą spełnić,
aby mogły wypracować skuteczny model komunikacji
i sprzedaży swoich produktów w Internecie.

Co więcej, właściwe przemieszczanie się w sieci in-

ternetowej wymaga odpowiedniej wiedzy w zakresie
rozpoznawania właściwych zachowań społecznych.
Potrzebna jest także specjalistyczna wiedza anali-
tyczna (np. w zakresie znajomości metod personaliza-
cji i rekomendacji treści oraz produktów) w celu traf-
nej analizy i przewidywania tych zachowań. Niemałą
rolę odgrywają też inwestycje w nowe oprogramowa-
nie, bazy danych, systemy informacyjne, dzięki któ-
rym obserwacje tego typu są w ogóle możliwe do prze-
prowadzenia.

Faktem też jest, że zmiany cywilizacyjne w społe-

czeństwach, kreując nowe media, portale komuni-
kacji międzyludzkiej, stworzyły ogromne możliwości
wymiany informacji, które mogą być z powodzeniem
wykorzystane w strategiach rynkowych firm i pla-
nowaniu programów marketingu-mix w Internecie,
pod warunkiem że w firmach będą przestrzegane
etyczne zasady wykorzystania informacji na podsta-
wie obiektywnych standardów przetwarzania da-
nych i nienaruszania prywatności indywidualnych
użytkowników (konsumentów) w sieci.

Oczywiście im bardziej rynek ten będzie ulegał

atomizacji, a konsumentów będzie się obsługiwać
indywidualnie (a taka niewątpliwie sytuacja ma
miejsce obecnie w Internecie), tym bardziej firmy
będą potrzebować innowacyjnych narzędzi do ana-
lizy zróżnicowanych grup konsumentów, poprzez
które będą w stanie nie tylko się do nich bardziej
zbliżyć, ale też wypracować wobec nich spersonali-
zowaną ofertę produktową czy treść komunikatu.
Pozostaje jednak (jak już nadmieniono) dylemat
etyczny dotyczących tego, w jakim stopniu firmy
mogą „prześwietlać” swoich odbiorców.

10

M. Pazzani, D. Billsus, Learning and Revising User Profiles. The

Identification of Interesting Web Sites, „Machine Learning” 1997, Vol. 27.

11

T. Tran, R. Cohen, Hybrid Recommender Systems for Electronic Com-

merce. In: Knowledge-based Electronic Markets, technical report WS-00-
2004, AAAI Press 2004.

Social media and personalization and recommendation methods
on advertising content and product offerings

In hereby article author discusses the functionality of social media and its methods used in personalization and recommen-

dation of advertising content and product offerings. The first section highlights the growing value of digital data and informa-
tion in the context of decision making due to ongoing changes in the macro environment. Then the genesis and development
of the social media was described as well as their capabilities in the field of data processing and generated useful information
for business purposes. As the example, a Facebook company was presented. Finally there were discussed in detail three main
analytical methods (the personalization and recommendation) used by companies operating in social media network.

UMMARY

ss

MiR_Marketing w praktyce_2.qxd 23-05-2013 18:37 Page 28