[論文レビュー] Data Science for Influencer Marketing : feature processing and quantitative analysis

Anil Narassiguin, Selina Sargent|arXiv (Cornell University)|May 10, 2019

Digital Marketing and Social Media参考文献 5被引用数 16

ひとこと要約

本稿は、定量的、テキスト的、視覚的特徴を統合することでインフルエンサー評価と推薦を向上させるデータサイエンスフレームワークを提案する。自然言語処理（NLP）、画像認識、統計モデリングを用いて5つのプラットフォームで713,824人のインフルエンサーを分析した結果、スポンサー付きハッシュタグ、特定の視覚的コンテンツ（例：人物、ペット）および戦略的なハッシュタグの使用がエンゲージメント率を顕著に向上させることを同定した。本研究は、機械学習駆動のインフルエンサー選定に向けたスケーラブルな手法を提供する。

ABSTRACT

Influencing a target audience through social media content has become a new focus of interest for marketing leaders. While a large amount of heterogeneous data is produced by influencers on a daily basis, professionals in the influ-encer marketing (IM) field still rely on simple quantitative metrics such as community size or engagement rate to estimate the value of an influencer. As few research papers have proposed a framework to quantify the performance of an influencer by using quantitative influencer data (number of followers, engagement,...), qualitative information (age, country, city, etc...), natural text (profile and post descriptions) and visual information (images and videos), we decided to explore these variables and quantitatively evaluate their dependencies. By analyzing 713,824 influencers on 5 social media platforms over a period of one year, we identified relationships between value proposition data (engagement, reach, audience), demographics, natural text patterns and visual information. The main goal of this paper is to provide IM professionals with a modern methodology to better understand the value of their influencers and to feed machine learning algorithms for clustering, scoring or recommendation.

研究の動機と目的

• フォロワー数やエンゲージメント率といった基本指標を超えて、インフルエンサー価値を評価する体系的かつデータドリブンな手法の欠如に対処すること。
• ソーシャルメディアインフルエンサーの定量的、テキスト的、視覚的情報を統合する包括的な特徴処理パイプラインの開発。
• テキストパターン（例：ハッシュタグ）および視覚的コンテンツ（例：画像内の物体）がエンゲージメント率に与える影響の定量化。
• クラスタリング、スコアリング、推薦システムを含む、機械学習モデルのトレーニングに向けたスケーラブルで実証的な手法の提供。
• 非構造的データ（テキストおよび画像）がエンゲージメントに顕著な影響を及ぼし、インフルエンサー選定において体系的に活用されるべきであることを示すこと。

提案手法

• 1年間の期間にわたり、Instagram、Facebook、YouTube、Pinterest、Twitterの5つのプラットフォームから713,824人のインフルエンサーにわたる異種のデータを収集・処理した。
• プロフィールおよび投稿テキストからの意味的・行動的パターンを抽出するために、ワードエムベッディングおよびハッシュタグ分析を含む自然言語処理（NLP）技術を適用した。
• COCOデータセットで事前学習されたYOLOベースの物体検出モデルを用いて、画像および動画内の視覚的コンテンツを自動的にタグ付けした。
• エンゲージメントレート（ER）を主要なパフォーマンス指標として定義し、全相互作用数をリーチ数で除算することで算出し、コンテンツタイプごとの変動を分析した。
• ハッシュタグの使用、スポンサードコンテンツ、検出された視覚的物体などの特徴とERとの間の統計的分析および相関研究を実施した。
• 標準的な統計要約（平均、中央値、四分位数）および可視化（例：ボックスプロット、時間帯ごとのトレンド）を用いて、データの分布およびパターンを評価した。

実験結果

リサーチクエスチョン

• RQ1 特にスポンサー付きハッシュタグと一般のハッシュタグとを比較した場合、インフルエンサーのコンテンツにおけるエンゲージメントレートにどのような影響を与えるか？
• RQ2 視覚的コンテンツ（例：人物、動物、料理）の有無とソーシャルメディア投稿のエンゲージメントレートとの関係は何か？
• RQ3 エンゲージメントパターンは、異なるソーシャルメディアプラットフォームおよび1日中の時間帯によってどのように変化するか？
• RQ4 非構造的データ（テキストおよび画像）を用いることで、従来の指標を超えてインフルエンサーのパフォーマンス予測をどの程度向上できるか？
• RQ5 インフルエンサーマーケティングにおいて、定量的、テキスト的、視覚的情報を統合するにあたり、最も効果的な特徴工学戦略は何か？

主な発見

• スポンサー付きハッシュタグを含む投稿は、非スポンサー付き投稿よりも顕著に高いエンゲージメントレートを示し、戦略的なハッシュタグ使用が可視性と相互作用を向上させることを示している。
• 汎用的でない特定のハッシュタグ（例：#ig_italy や #earthpix）は、広範な一般タグ（例：#hairstylist や #nailart）よりも高いエンゲージメントパフォーマンスを示した。
• 人物、ネコ、イヌの画像を含むプロフィールは、他の視覚的コンテンツを含むものよりも顕著に高い平均エンゲージメントレートを達成した。
• 料理関連の画像は低いエンゲージメントレートと関連しており、コンテンツ別パフォーマンスのばらつきが生じることを示唆している。
• 最高のパフォーマンスを示したハッシュタグ（例：#natgeo や #earthpix）は、常に中央値のエンゲージメントレートを上回ったが、最悪のパフォーマンスを示したタグ（例：#chic や #decor）は顕著にそれを下回った。
• 活動およびエンゲージメントレートのパターンは、特にInstagramおよびYouTubeにおいて、ピークユーザー活動時刻と強く相関しており、時間的整合性がコンテンツパフォーマンスを向上させることを示唆している。