[论文解读] 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 16

一句话总结

本文提出了一套用于影响者营销的数据科学框架，整合了定量、文本和视觉特征，以提升影响者评分与推荐效果。通过分析五大数据平台上的713,824名影响者，结合自然语言处理（NLP）、图像识别与统计建模，研究发现赞助标签、特定视觉内容（如人物、宠物）以及策略性使用标签可显著提升互动率，为机器学习驱动的影响者筛选提供了可扩展的方法论。

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.

研究动机与目标

• 解决现有影响者价值评估中缺乏系统性、数据驱动方法的问题，超越仅依赖关注者数量和互动率等基础指标的局限。
• 开发一个全面的特征处理流水线，整合社交媒体影响者提供的定量、文本与视觉数据。
• 量化文本模式（如标签）与视觉内容（如图像中的物体）对互动率的影响。
• 提供一种可扩展的实证方法论，用于训练影响者营销中的机器学习模型，包括聚类、评分与推荐系统。
• 证明非结构化数据（文本与图像）对互动率具有显著影响，应在影响者选择中系统性地加以利用。

提出的方法

• 在为期一年的时间内，从Instagram、Facebook、YouTube、Pinterest和Twitter五个平台收集并处理了713,824名影响者的异构数据。
• 应用自然语言处理（NLP）技术，包括词嵌入与标签分析，从个人资料和帖子文本中提取语义与行为模式。
• 使用基于YOLO的对象检测模型，基于COCO数据集进行训练，以自动标记图像与视频中的视觉内容。
• 将互动率（ER）作为关键绩效指标，定义为总互动量除以触达人数，并分析其在不同内容类型中的变化。
• 开展统计分析与相关性研究，探讨ER与标签使用、赞助内容及检测到的视觉物体等特征之间的关系。
• 采用标准统计摘要（均值、中位数、四分位数）与可视化手段（如箱线图、一天中不同时段的趋势图）评估数据分布与模式。

实验结果

研究问题

• RQ1 不同类型的标签——尤其是赞助标签与通用标签——如何影响影响者内容的互动率？
• RQ2 视觉内容（如人物、动物、食物的存在）与社交媒体帖子的互动率之间存在何种关系？
• RQ3 互动模式在不同社交媒体平台及一天中不同时段有何差异？
• RQ4 非结构化数据（文本与图像）在多大程度上可提升对影响者表现预测的准确性，超越传统指标？
• RQ5 在影响者营销中，结合定量、文本与视觉数据的最有效特征工程策略是什么？

主要发现

• 使用赞助标签的帖子相比非赞助帖子展现出显著更高的互动率，表明策略性使用标签可增强内容的可见性与互动性。
• 使用特定而非通用的标签（如#ig_italy或#earthpix）的互动表现优于广泛或通用的标签（如#hairstylist或#nailart）。
• 包含人物、猫或狗图像的个人资料，其平均互动率显著高于其他视觉内容的个人资料。
• 与食物相关的图像关联着较低的互动率，表明内容类型存在显著的性能差异。
• 表现最佳的标签（如#natgeo或#earthpix）始终显著高于中位数互动率，而表现最差的标签（如#chic或#decor）则显著低于中位数。
• 活跃度与互动率模式与受众活跃高峰时间高度相关，尤其在Instagram和YouTube上，表明时间对齐可提升内容表现。