Таргетированная реклама с использованием цифровых следов клиентов как фактор изменения онлайн-продаж в социальной сети Вконтакте

Таким образом, после завершения практической части исследования можно будет сделать выводы о том, существует ли корреляция между цифровыми следами и онлайн-продажами. Построение воронки продаж наглядно продемонстрирует эффективность данного подхода к изменению онлайн-продаж.

Данное исследование является комбинацией качественного и количественного подходов к тестированию следующих гипотез:

H0: Процент людей, которые купят журнал, потому что увидели и заинтересовались таргетированным объявлением, равнозначен проценту тех людей, кто не видел таргетированное объявление и решил купить журнал Stories по другой причине.

H1 «О влиянии таргетированной рекламы на онлайн-продажи»: Процент людей, которые купят журнал, потому что увидели и заинтересовались таргетированным объявлением, выше, чем процент тех людей, кто не видел таргетированное объявление и решил купить журнал Stories по другой причине.

H0: Если показывать пользователю таргетированное объявление, основанное как минимум на одном его цифровом следе в социальных сетях, то количество кликов на таргетированное объявление и показатель CPC не изменится по сравнению с таргетированным объявлением без цифровых следов.

H2 «О цифровых следах в таргетированной рекламе»: Если показывать пользователю таргетированное объявление, основанное как минимум на одном его цифровом следе в социальных сетях, то количество кликов на таргетированное объявление увеличится и показатель CPC снизится по сравнению с таргетированным объявление без цифровых следов.

H0: Если показатель CTR у одного таргетированного объявление выше, чем у другого, то количество онлайн-продаж по каждому из рекламных объявлений примерно равнозначно.

H3 «О связи целевых показателей эффективности»: Если показатель CTR у одного таргетированного объявление выше, чем у другого, то количество онлайн-продаж по данному объявлений выше, чем по другому.

Для тестирования поставленных гипотез и достижения конечной цели исследования были выбраны следующие методы: анализ и синтез, неструктурированное интервью, контент-анализ, статистический анализ данных и эксперимент. Используя данные методы, исследование будет полностью соответствовать заданному дизайну. Анализ и синтез и полуструктурированное интервью являются методами для первого блока исследования, контент-анализ, статистический анализ данных и эксперимент - для второго. Для обработки данных будет использовано програмное обеспечение SPSS.



3. Методология исследования

3.1 Цель и этапы исследования

Данная исследовательская работа позволяет не только качественно рассмотреть взаимосвязь цифровых следов и онлайн-продаж, но и количественно её обосновать. Разведывательный этап исследования, заключающийся в первом блоке исследовательской работы, позволяет в целом осознать реакцию пользователей на таргетированную рекламу в социальных сетях и определить какие цифровые следы они оставляют после себя в социальных сетях. В первом блоке исследования не выдвигаются гипотезы, а по итогам лишь возникает предположение о целесообразности использования цифровых следов в таргетированной рекламе в социальных сетях. В ходе второго блока исследования заявленное предположение исследуется с применением статистических методов, находятся основания для подтверждения или опровержения поставленных гипотез, даются рекомендации к применению полученных результатов и дальнейшим исследованиям по данной теме.

Цель данной исследовательской работы - определить, как таргетированная реклама, основанная на анализе цифровых следов пользователей в социальной сети ВКонтакте, влияет на онлайн-продажи. Объектом исследования являются цифровые следы пользователей ВКонтакте. Предметом исследования выступает природа и характер влияния использования цифровых следов в таргетированной рекламе ВКонтакте на онлайн-продажи.

Приведенный в предыдущем пункте работы дизайн исследования позволяет ответить на основной исследовательский вопрос работы: «Какие цифровые следы подписчиков журнала Stories ВКонтакте лучше использовать при создании таргетированных объявлений ВКонтакте, чтобы пользователь, увидевший объявление, совершил онлайн-покупку?»

Социальная сеть ВКонтакте была выбрана в качестве платформы для исследования, потому что она предлагает открытый доступ к API своих пользователей в отличие от Instagram или Facebook.

Для достижения цели в ходе данной работы проводится интервью, дающее общее представление о цифровых следах в социальных сетях и отношению респондентов к таргетированной рекламе в социальных сетях. Далее - от журнала Stories предоставляется статистика о людях, которые приобрели журналы за последние 3 месяца онлайн, и собираются данные о том, сколько журналов приобрел каждый человек. Следующим шагом является сбор ID тех людей, кто следит за журналом Stories в социальных сетях. Для сбора информации задействована социальная сеть ВКонтакте, конечный список пользователь представляет из себя список их ID Вконтакте. Далее - у подписчиков собираются цифровые следы, разделенные на три основные группы (см. Приложение 1), определяющие персональные данные, контент на личной странице пользователя и список сообществ, на которые подписан человек. К персональным данным относятся такие данные как пол, возраст, интересы, семейное положение, город и страна проживания, образование, количество друзей, количество подписчиков, статус, жизненная позиция. К группе контента на личной странице относятся такие данные как количество просмотров постов, реакция пользователей на них (количество лайков, комментариев, репостов), содержание постов (только текст, текст+фото, текст+музыка, фото+музыка и другие), количество видео- и аудиозаписей, количество фотографий. Последняя группа представляет из себя список сообществ и групп, на которые подписан человек. Перед проведением эксперимента все полученные через Open API цифровые следы пользователей из списка ID анализируются на наличие взаимосвязей с совершенными пользователями онлайн-покупками. Конечным этапом анализа станет разбиение на группы аудиторий людей по общим характерным цифровым следам. Важным фактором здесь является количество продаж, которые совершили покупатели. После - выдвигается предположение о том, какой группе пользователей обладающей определенной совокупностью цифровых следов эффективно показывать таргетированную рекламу в социальной сети ВКонтакте при оценке их конечного влияния на онлайн-продажи (выделяются целевые сегменты аудитории).

В ходе эксперимента настраиваются таргетированные объявления, результатами которых станут реальные показатели CTR и онлайн-продаж. В то же время проводится А/Б-тестирование, в ходе которого устанавливается реакция пользователей, похожих по цифровым следам на подписчиков журнала Stories, которые были выделены как наиболее расположенными к покупке при анализе цифровых следов, измеряемая в KPI.

3.2 Обоснование гипотез исследования

Основные гипотезы исследования основываются на теоретическом обосновании и проверяются в ходе A/Б-тестирования:

- Гипотеза H1 «О влиянии таргетированной рекламы на онлайн-продажи» подтверждает тот факт, что таргетированное объявление показывается только ограниченному числу пользователей социальной сети;

- Гипотеза Н2 «О цифровых следах в таргетированной рекламе» затрагивает два основных показателя эффективности таргетированного объявления, позволяя количественно измерить полученные результаты исследования;

- Гипотеза Н3 «О связи целевых показателей эффективности» основана на взаимосвязи двух основных показателей эффективности таргетированной рекламы и подразумевает их положительную корреляцию.

3.3 Описание журнала Stories

Исследование базируется на петербургском периодическом издании Stories, первый выпуск которого вышел в апреле 2017 года. Stories - это журнал о современном Петербурге и его собственном стиле. На страницах встретятся материалы и профессиональных авторов, и людей, кто ищет в городе интересные места. Сейчас журнал выпустил уже 8 выпусков, каждый из которых отличается индивидуальной темой и раскрывает Санкт-Петербург под определенным углом. Журнал можно приобрести как офлайн на местах продаж, которых около тринадцати, так и онлайн - заказав его через социальные сети. В данный момент у журнала отсутствует собственный сайт, поэтому все онлайн-заказы поступают исключительно через ВКонтакте. Продажи через Instagram журнал не осуществляет. В сообществе ВКонтакте во вкладке «Товары» представлена актуальная информация по номерам в наличии, их описание и стоимость.

3.4 Методология полуструктуированного интервью

Поскольку мы имеем дело с выявлением отношения покупателей к таргетированной рекламе с использованием их цифровых следов, логичным кажется обратиться к методу сбора данных, с одной стороны, позволяющему понять, какие цифровые следы оставляют после себя информанты в социальных сетях, а с другой, обеспечивающему сравнимость полученной у разных информантов информации.

В этой связи было принято решение прибегнуть к методу полуструктурированного интервью, которое будет индивидуальным и предварительным: является только разведывательным этапом исследования для первичного понимания того, оставляют ли респонденты цифровые следы в социальных сетях и как относятся к рекламе. В ходе интервью предполагается работа с гайдом, в котором приведен перечень вопросов, порядок которых может меняться. Однако по большей части данное интервью содержит закрытые вопросы с заранее определенными возможными вариантами ответа, являющимися элементами стандартизированного интервью. Это сделано для упрощения оценки содержания вопросов в ходе сравнения ответов респондентов, а не взаимосвязи вопросов. Гайд интервью, приведенный в Приложении 2, построен на основе теоретического обоснования и состоит из следующих смысловых частей:

- Краткий блок «Информация о себе», выполняющий как роль вводных вопросов, настраивающий информанта на беседу, так и роль «паспортички».

- Блок «Использование социальных сетей», в котором респонденту задаются вопросы об его присутствии в социальных сетях: какими социальными сетями он пользуется, как часто пользуется социальной сетью ВКонтакте и прочее.

- Блок «Таргетированная реклама ВКонтакте», цель которого выяснить понимает ли респондент то, каким образом функционирует данный вид рекламы: где можно увидеть данный вид рекламы, из какого контакта он состоит и прочее.

- Блок «Цифровые следы ВКонтакте», в ходе которого будет получено понимание того, какие действия предпринимает респондент ВКонтакте - какие цифровые следы чаще всего оставляют пользователи.

- Блок «Реакция», в свою очередь, направлен на понимание отношения респондента к таргетированной рекламе. Данный блок будет полезен как часть разведывательного теста, направленного также на общее осознание того, как люди относятся к использованию цифровых следов в рекламе.

В ходе исследования проведено 12 полуструктурированных интервью с выбранными случайным образом читателями журнала Stories, которые следят за журналом и в социальных сетях, в том числе ВКонтакте. Имена участников интервью не разглашаются.

Интервью с читателями журнала Stories проводится посредством личной беседы, среднее время которой около 20 минут. Таким образом, общее количество респондентов составило 12 человек.

Такой метод исследования, как полуструктурированное интервью, требует больших временных затрат, поэтому на проведение данного этапа исследования было отведено около пяти недель. Во время каждого интервью была сделана аудиозапись, которая затем была транскрибирована в программе MS Word в табличной форме. Полученные результаты интервью проанализированы в программе MS Excel.

Во втором блоке исследования были применены методы контент-анализа, статистического анализа данных и эксперимента.

3.5 Методология контент-анализа

После получения списка тех людей, которые ранее совершали онлайн-покупки журнала ВКонтакте от руководителей Stories, необходимо было собрать список подписчиков ВКонтакте, которые еще не приобрели данный журнал. Количество людей, которые приобрели журнал через ВКонтакте за последние три месяца составило 174 человека.

Список всех подписчиков журнала Stories ВКонтакте получен с использованием интернет-парсера для социальных сетей TargetHunter, интерфейс которого позволяет собрать всех подписчиков определенного/ных сообщества из социальной сети ВКонтакте и убрать ботов, чтобы получить более репрезентативную выборку. Итоговый список пользователей составляет 2567 человек. Ниже приведены скриншоты действий в программе TargetHunter для сбора списка всех подписчиков.



Рис. 2. Сбор подписчиков журнала Stories ВКонтакте

Рис. 3. Очистка от ботов подписчиков журнала Stories ВКонтакте

Убрав повторы тех, кто покупал и тех, кто подписан на сообщество, итоговое количество пользователей составило 2741 пользователей ВКонтакте.

Генеральная совокупность для проведения контент-анализа и статистического анализа данных содержит всех подписчиков журнала Stories ВКонтакте за исключением ботов: 2741 человек. Базой выборки также являются все подписчики журнала Stories ВКонтакте. Так как благодаря доступу к данным о продажах компании, в данном исследовании отсутствует потребность в формировании случайной выборки: база выборки тождественно равна генеральной совокупности и содержит 2741 человек.

Метод контент-анализа в данной работе осуществляется полностью автоматизировано, цифровые следы пользователей из полученного списка ID о тех, кто приобретал журнал через ВКонтакте и о тех, кто просто подписан на сообщество журнала ВКонтакте, собираются с помощью написанной вручную программы на Python. Код программы приведен в Приложении 3.

Для сохранения необработанных данных о цифровых следах пользователей использовалось открытое API ВКонтакте версия 5.73. Список используемых запросов приведен в Приложении 1.

Применяя методы статистического анализа данных, полученные цифровые следы пользователей будут проанализированы на наличие взаимосвязей. Также стоит учитывать тот факт, что при анализе будет иметь значение приобретали ли пользователи ранее журнал или нет. Все рисунки и таблицы выполнены в статистическом пакете SPSS.

3.6 Методология статистического анализа данных

В ходе анализа были использованы методы регрессионного анализа и корреляционного анализа, а также дисперсионного анализа. Для проведение анализа использовался статистический пакет SPSS.

После получения базы цифровых следов, которая была разбита на 3 основных блока: общая информация, информация о группах, в которых состоит пользователь и информация о постах, которые он публикует, было принято решение использовать сначала кластерный анализ для последних двух блоков. Такой метод позволит выделить основные группы сообществ со схожей тематикой (например, новостные, музыкальные, развлекательные, и прочее) и основные группы постов со схожей тематикой (например, о семье, о городе, о природе и прочее). Для определения «схожести» сообществ и постов будет использовано косинусное расстояние на Python, такак как данный метод хорошо работает на разреженных данных (большое количество минус-слов и стоп-слов). Это необходимо для того, чтобы сократить количество сообществ и постов до приемлемого для анализа, разбивая их на кластеры по схожим признакам.

Так, три основные блока (общая информация, основные группы сообществ, основные группы постов) заносятся в итоговую таблицу для регрессионного, корреляционного и дисперсионного анализа после первичного кластерного анализа.

Для ответа на вопрос о том, чем отличаются те люди, кто приобрел журнал от тех, кто этого не сделал, необходимо найти взаимосвязи между зависимой переменной - количеством продаж и независимыми - признаками, собранными в трех блоках выше. Для этой цели применяются методы регрессионного, корреляционного и дисперсионного анализа, позволяющие выделить общие отличительные признаки тех, кто приобрел журнал.

Следующим шагом станет выделение целевых групп людей по сравнению с остальными, основываясь на соотношении цифровой след - количество покупок. После этого на основе характеристик целевых групп людей будут даны рекомендации для эксперимента (A/Б-теста ВКонтакте).

Для поиска зависимостей между покупками и цифровыми следами было принято решение использовать логистическую регрессию, так как с помощью неё возможно предсказать процент успешного/неуспешного определения по модели продажи или не продажи на основании данных о цифровых следах пользователей. В ходе анализа 40 переменных, представляющих из себя цифровые следы по каждому пользователю, за исключением ID пользователя были отнесены к независимым переменным, зависимой переменной являлась бинарная переменная - покупка (kupil). Использовался метод отбора включением (Forward Selection, Likelihood Ratio) - шаговый метод отбора переменных, в котором проверка включения основана на значимости статистики значений, а проверка на исключение основана на статистике отношения правдоподобия, вычисляемой по оценкам максимального частного правдоподобия.

Корреляционный анализ проводился по критерию Спирмена. Было важно посмотреть, как цифровые следы относятся к показателю «покупка», где -1 - сильная отрицательная корреляция, 1 - сильная положительная корреляция, и какие из них являются при этом значимыми.

В ходе регрессионного анализа были построены 17 моделей. Также были определены значимости каждой из моделей и получено итоговое уравнение регрессии по наилучшей модели. После итоговых совокупных выводов по корреляционному и регрессионному анализу появилась необходимость проведения дисперсионного анализа для лучшего понимания одного из цифровых следов.

Статистический анализ данных позволил дать рекомендации о том, какие аудитории лучше использовать для дальнейшего эксперимента.

3.7 Методология А/Б-тестирования

Метод эксперимента представлял собой настройку таргетированных объявлений для каждой полученной группы аудитории пользователей через рекламный кабинет ВКонтакте. Всего было настроено 8 таргетированных объявлений по принципу «таргетирование по аудитории». Примеры таргетированных объявлений можно найти в Приложении 4.

Чтобы получить статистически значимый результат, очень важно исключить влияние сегментов друг на друга, т.е. пользователь должен быть отнесен строго к одному сегменту. Поэтому изначально списки полученных аудиторий были проверены на пересечение баз с помощью программы Target Hunter.

Во время проведения рекламной кампании будет запущено А/Б-тестирование ВКонтакте, в ходе которого 50% аудитории будут видеть обычный пост о журнале Stories, а 50% - пост, основанный минимум на 1 их цифровом следе. Для снижения влияния внешних факторов, таких как рекламные кампании, день недели, погода или сезонность, замеры в сегментах были сделаны параллельно, т.е. в один и тот же период времени.

А/Б-тестирование направлено на выявление наиболее эффективных (прибыльных) элементов каждой рекламной кампании, основанных на контенте объявлений: с использованием цифровых следов пользователей или нет. Ключевыми показателями А/Б-тестирования станут показатель CTR и конечные онлайн-продажи журнала.

Как и любое исследование, данная исследовательская работа имеет несколько ограничений. Существует угроза внешней валидности полученных результатов (selection). Возможные методы анализа будут применимы и на других социальных сетях и в другой сфере, однако прогнозировать рост продаж сложно. Также нельзя полностью отрицать угрозы выбора, возможно схожие признаки, полученные в ходе анализа данных пользователей, трудно будет перенести на других пользователей. Это возникает из-за небольшого количества подписчиков сообщества ВКонтакте журнала Stories, хоть в данном исследовании и не использовалась случайная выборка. Наконец, невозможно полностью гарантировать, что исключительно использование цифровых следов в таргетированной рекламе приведет пользователей к совершению покупки.



4. Описание результатов

4.1 Полуструктурированное интервью

Обработку и анализ полученных данных было решено проводить в соответствии с выделенными блоками вопросов с целью лучшего понимания того, как информанты реагируют на таргетированные объявления в социальных сетях и какие цифровые следы после себя оставляют. Формируется своего рода сравнительный анализ, позволяющий выделить мнение большинства. Анализ будет производиться поэтапно, начиная с первого блока «Информация о себе» и заканчивая заключительным блоком «Реакция». Стоит еще раз упомянуть, что всего было проведено 12 полуструктурированных интервью с выбранными случайным образом читателями журнала Stories. Имена участников интервью не разглашаются. Интервью является только разведывательным этапом исследования, не дающим полного представления о каждом читателе журнала, однако позволяющим примерно осознать какие цифровые следы они оставляют после себя в социальной сети ВКонтакте и как реагируют на таргетированные объявления.

Превалирующее большинство респондентов были люди в возрасте от 21 до 27 лет, 1 человек был младше 20 лет, 1 человек, наоборот, старше 28 лет. Ниже представлено графическое распределение респондентов по возрастам.



Рис. 4. Распределение респондентов по возрасту

Для ответа на вопрос о том, как респонденты предпочитают проводить свое свободное время, им было заранее предложено три основных варианта ответа: «в социальных сетях», «с друзьями, родителями или второй половинкой» или «занимаюсь хобби». Также у участников интервью была возможность привести собственный вариант ответа на вопрос. Максимальное возможное количество ответов респондентов на данный вопрос - 2, для лучшего понимания того, каким аспектам жизни больше внимания уделяют респонденты (называя 2 ответа, они не успевают погрузиться в размышления). Таким образом, около 35% респондентов ответили, что предпочитают проводить свое свободное время в компании семьи, друзей или второй половинки. Следующими по популярности ответами стали такие варианты досуга как социальные сети и хобби. 26,1% респондентов предпочли каждый из них. Также трое респондентов привели свои варианты ответов такие как «учусь», «смотрю фильмы» и «занимаюсь бытовыми делами». Стоит отметить тот факт, что социальные сети занимают весомое положение в проведении свободного времени среди информантов. Ниже представлено графическое распределение полученных ответов на данный вопрос.



Рис. 5. Распределение респондентов по тому, как они проводят свое свободное время

Для понимания активности опрашиваемых респондентов в Интернете, им был задан вопрос о том, как часто они заходят во «всемирную паутину». Изначально ответы не назывались, интервьюер самостоятельно отмечал в какой интервал из заранее определенных попадает ответ респондента. Так, 9 из 12 человек заходят в Интернет несколько раз в час, 2 человека - раз в несколько часов, 1 респондент ответил, что он заходит в Интернет 1 раз в день. Данную статистику во многом можно объяснить тем, что теперь практически у каждого человека (особенно в возрасте от 21 до 27 лет) есть мобильный телефон с возможностью быстрого выхода в Интернет. Также люди стараются быть постоянно в курсе событий, которые происходят не только с их друзьями, но и в мире в целом. Помимо этого участникам интервью был также задан вопрос о том, сколько в среднем времени в сумме в один день они проводят в Интернете. Ниже можно увидеть графическое распределение полученных ответов. Интервьюер также самостоятельно отмечал попадание ответа респондента в тот или иной интервал. Среднее число времени, которое информанты проводят в Интернете, составило 4-7 часов в день.



Рис. 6. Распределение репсондентов по количеству времени, проведенному в Интернете за день

Абсолютно у всех респондентов (100%) есть аккаунты в социальных сетях. Интервьюер отмечал первые три названные респондентом социальные сети. Так, были упомянуты такие социальные сети как ВКонтакте (12 упоминаний), Instagram (9 упоминаний), Facebook (5 упоминаний), Pinterest (1 упоминание), Telegram (2 упоминания), WhatsApp (1 упоминание), Twitter (4 упоминания), Youtube (2 упоминания). Все опрошенные читатели имеют аккаунты в социальной сети ВКонтакте, на которой в дальнейшем будет базироваться исследование. Это подтверждает правильный выбор площадки исследования для данной аудитории.

Следующим шагом стало выяснение того, открыто ли пользователи делятся информацией о себе в социальной сети ВКонтакте. Открытая информация и есть цифровые следы. Так, было установлено, что у 8 из 12 респондентов открыта информация о себе для всех пользователей социальной сети ВКонтакте, 1 респондент скрывает некоторую часть информации, доступную только ограниченному кругу лиц, 3 респондента предпочитают не открывать информацию о себе. Тем девятью респондентам, у которых информация все же открыта, был задан вопрос об открытом контенте, в ходе которого интервьюер регистрировал первые три названных ответа. Таким образом, самыми популярными ответами на вопрос о том, какая информация открыта на личных страницах респондентов, стали город проживания (7 упоминаний), интересы (2 упоминания), образование (3 упоминания), место работы (2 упоминания), ссылки на другие социальные сети (2 упоминания) и дата рождения (4 упоминания). Также были названы такие цифровые следы как любимые цитаты, любимые книги, жизненная позиция, языки и мобильный телефон.

Важно было определить цель посещения социальной сети ВКонтакте. Респондентам были предложены три стандартизированных варианта ответа: «для отдыха», «для общения» и «для работы». Также они могли выбрать четвертый вариант ответа и назвать свою причину. Полученные результаты отражают, что половина респондентов использует ВКонтакте для общения, следующим фактором нахождения ВКонтакте является отдых. В ходе данной работы будет настраиваться таргетированная реклама ВКонтакте, поэтому вариант «для отдыха» является более релевантным для исследования, так как может включать в себя скроллинг ленты Новостей.

Популярность разделов ВКонтакте среди опрашиваемых читателей приведена ниже. Каждый информант выбирал два наиболее посещаемых им раздела. Раздел Новости выступает вторым по популярности (5 упоминаний).

Рис. 7. Частопосещаемые разделы респондентов

Это позволяет сделать предположение о том, что при размещении таргетированной рекламы в ленте Новостей ВКонтакте пользователи скорее всего увидят предложенную им рекламу.

Следующим блоком интервью стал блок «Таргетированная реклама ВКонтакте». 11 из 12 опрошенных респондентов видели таргетированную рекламу в социальной сети ВКонтакте. Для лучшего понимания того, что она из себя представляет им были предложены несколько примеров таргетированной рекламы ВКонтакте в электронном виде, которые сразу подразумевали под собой ответ и на следующий вопрос интервью о том, с какими форматами таргетированной рекламы знакомы пользователи. Так, были упомянуты такие форматы таргетированной рекламы как «фото+текст» (9 упоминаний) и «видео+текст» (2 упоминания). Формат рекламы «фото+текст» можно считать наиболее часто встречающимся в таргетированной рекламе ВКонтакте.

Рис. 8. Были ли объявления связаны с действиями в Интернете за последнее время?

Также в ходе интервью было выяснено, что большинство респондентов понимают, что реклама, которая транслируется им, связана с их предыдущими действиями в социальных сетях или на сайтах компании (см. Рисунок ниже). При этом только 3 из 11 респондентов не считают данный формат рекламы более привлекательным нежели другие виды рекламы такие как баннеры, листовки, реклама в метро и прочее. Большинство все же считает, что видеть рекламу, которая подходит под их запросы и интересы лучше, чем видеть рекламу, предлагаемую сразу широкому числу людей.

Одной из ведущих задач проведения интервью было понимание того, какие цифровые следы пользователи оставляют после себя в социальной сети ВКонтакте. Этому был посвящен блок «Цифровые следы ВКонтакте». В ходе интервью стало ясно, что только 3 из 12 респондентов выставляют стандартизированные интересы ВКонтакте (например, отношение к алкоголю, к курению, главное в жизни, главное в людях и другое). Однако, данный блок было решено использовать в ходе дальнейшего контент-анализа, так как он позволяет сразу кластеризовать людей по определенным группам, стандартизируя их ответы.

Ниже представлена частота публикаций постов ВКонтакте респондентами. Пользователи редко публикуют уникальный контент у себя на личных страницах, а в основном просматривают контент друзей, знакомых или сообществ. В основном они публикуют фотографии (8 респондентов), музыку (3 респондента), текстовые посты (1 респондент). Однако 8 из 12 респондентов добавляют понравившийся контент к себе на страницу.

Рис. 9. Частота публикаций респондентов ВКонтакте



В дальнейшем именно опубликованные посты на странице подписчиков журнала Stories, состоящие из тестовой составляющей и фотографии, будут собраны для статистического анализа данных. 100% респондентов также отметили, что посещают постоянно сообщества, на которые подписаны. Именно поэтому сбор данных сообществ будет также осуществлен в ходе анализа.

Участники интервью отметили, что выставляют в открытый доступ дату рождения, место проживания, информацию об образовании или месте работы, указывают личные отношения с человеком или родственные связи. Данная информация будет аналогично собрана в ходе контент-анализа и в дальнейшем проанализирована.

Восемь из двенадцати респондентов рассказали о том, что слушают аудиозаписи ВКонтакте. Однако в данном исследовании будет собрана информация только о количестве аудиозаписей в связи с временными ограничениями исследования.

В данном блоке интервью важно было выяснить как реагируют пользователи на контент, который встречается им в социальных сетях. Было установлено, что большинство респондентов (11 из 12) ставят лайки на записи, которые привлекли их внимание. Однако, уже меньшее число пользователей (3 из 12 респондентов) комментируют записи, а 4 из 12 делают репост к себе на личную страницу. Также четверо из двенадцати человек отмечали хотя бы 1 раз свое местоположение ВКонтакте. Тем не менее, данная информация не будет собираться для дальнейшего исследования в связи с техническими особенностями исследования.

Заключительным блоком стал блок «Реакция». Целью данного блока было выяснение отношения респондентов к таргетированной рекламе в социальной сети ВКонтакте. 7 из 11 опрашиваемых респондентов указали, что возникали случаи, когда их заинтересовала реклама в социальных сетях, которую они видели, также они кликали на рекламные объявления. Однако около 80% респондентов не взаимодействую напрямую с рекламой, то есть не ставят лайки на рекламные объявления, не сохраняют, не комментируют, не делают репосты рекламных записей. 5 из 11 опрашиваемых читателей Stories признались, что возникали ситуации, когда они скрывали рекламные объявления. Тем не менее, только у четырех респондентов стоит автоматический блокировщик рекламы. Полученные результаты говорят о том, что пользователи положительно относятся к рекламным объявлениям и не стремятся их целенаправленно избегать.

Таким образом, анализ полуструктурированных интервью с читателями журнала Stories, которые подписаны на журнал в социальной сети ВКонтакте, подтвердил предположение о том, что пользователи активно оставляют цифровые следы ВКонтакте, а также позволил понять, как они относятся к таргетированной рекламе в социальной сети.

4.2 Контент-анализ

Контент-анализ был проведен автоматически с помощью написанной программы на Python и Open API ВКонтакте. Пример полученной итоговой таблицы контент-анализа приведен ниже.

Таблица 1 Пример сетки контент-анализа

ID пользователя	Количество приобретенных им журналов	Количество его подписчиков		Статус образования (студент, учащийся, работник)	Количество аудиозаписей
user_id	number_magazines	nfollowers	[[...]	education_status	naudios
564966	3	128		-	0
[...]		[...]
195214413	3	796		-	1311

Полученные цифровые следы, разделенные по трем группам, упомянутым в методологии исследования, перед занесением в итоговую таблицу были кластарезированы. Код программы на Python для получения итоговой таблицы представлен в Приложении 10.

4.3 Кластерный анализ

Первым этапом кластерного анализа стала кластеризация сообществ. В ходе анализа «схожести» сообществ их описание и названия были соединены, убраны все знаки препинания, создан единый файл с текстом, а затем проведена лемматизация на Python, код программы в Приложении 3. Лемматизация необходима для проведения косинусного анализа, она позволяет привести все слова к единой форме (например, избегая падежей). Также все слова, которые встречаются в объединении описания и названия сообщества и были употреблены менее 3-х раз в пересечении, были убраны из выдачи результатов. Ниже, в качестве примера, представлены результаты по нескольким сообществам о том, какие уникальные слова они используют в своем названии и описании.

Таблица 2 Пример результатов лемматизации сообществ

Сообщество	ID	Уникальные слова	Номер кластера
0 калорий	73310962	диета обсуждение спорт самый вкусный низкокалорийный рецепт присоединяться юмор калория	3
Договорные матчи	56140567	букмекерский контора леон http goo gl ifr5s прогноз точность главный правило ставить свой баланс спорт никто застраховать проигрыш договорный матч	8
Работа в Спб	102341651	самый интересный вакансия работа санкт петербург рассказать свой друг размещать вакансия интимный характер сетевой проект пирамида удачный поиск работа работа работа_в_спб санкт_петербург интересный вакансия начальник работник резюме хороший работа спб	29

Был получен словарь, состоящий из 69.451 слов. Итоговая таблица косинусного расстояния по сообществам состоит из 216.409 строк (количество уникальных сообществ у подписчиков журнала Stories ВКонтакте) и 69.451 столбцов (количество слов в словаре в их названиях и описаниях), соответственно в ячейках отмечено количество уникальных слов из словаря встречается в каждом сообществе. Из-за большого веса файла дальнейшая кластеризация будет также проведена в программе Python.

Аналогичным путем поступаем с анализом «схожести» постов подписчиков журнала Stories ВКонтакте. Первым этапом становится объединение всех постов в единый текст. Так как посты содержат не только текстовую информацию, но и фотографии, необходимо провести анализ фотографий. Для этого используем программу Cloud Vision API от Google (https://cloud.google.com/vision/), которая позволяет проанализировать массив фотографий пользователей. Код программы на Python для автоматического скачивания полученных данных в таблицу для итоговую таблицу представлен в Приложении 11.

Данная программа автоматически приводит список слов, которые могут описывать фотографию. В ходе тестового периода с 5 фотографиями было выявлено, что она достаточно точно определяет то, что изображено на фотографии. В ходе анализа 109.038 фотографий был составлен единый текст с описанием всех фотографий. Далее - была проведена лемматизация и создан словарь, состоящий из 35.939 слов. Ниже представлены результаты по нескольким постам о том, какие уникальные слова используется в их контенте.



Таблица 3 Пример результатов лемматизации постов

Пост	Уникальные слова	Номер кластера
Маникюр	палец лак для ногтей руки уход за ногтями рука модель маникюр лак для ногтей косметических средств	1
Искусство	эскиз чёрный белый рисунок искусство глава стоя рисунок рисунок мужчина	3
Автомо-били	автомобиль спортивный автомобиль технология автомобиль автомобиль суперкар автомобильный дизайн гоночный автомобиль автомобильный экстерьер бампер	17

Итоговая таблица косинусного расстояния по сообществам состоит из 92.421 строки (количество уникальных постов у подписчиков журнала Stories ВКонтакте) и 35.939 столбцов (количество слов в словаре), соответственно в ячейках отмечено количество уникальных слов из словаря встречается в каждом посте. Из-за большого веса файла дальнейшая кластеризация будет также проведена в программе Python. Код программы размещен в Приложении 3.

В ходе кластеризации постов изначально было выделено 20 кластеров, в объединения некоторых из них конечное число сообществ составило 17 единиц. Список кластеров по постам приведен в Приложении 5.

В ходе кластеризации сообществ изначально было выделено 63 кластера, в ходе дальнейшей кластеризации конечное число ообществ составило 38 штук. Список кластеров по сообществам приведен в Приложении 6.

Для упрощения определения тематики вышеперечисленных кластеров использовалось «облако слов» (https://worditout.com/word-cloud/create), которое позволяет выделить наиболее часто употребляемые слова в кластере. Ниже представлен пример «облака слов» для кластера сообществ о кулинарии.



Рис. 10. «Облако слов» для кластера сообществ о кулинарии

Цифровые следы из группы общей информации, используемые в анализе: отношение к алкоголю, главное в жизни, главное в людях, политические предпочтения, отношение к курению, дата рождения, город, страна, статус (ученик, студент или работник), количество фотоальбомов, количество аудиозаписей, количество сообществ, количество подписчиков, количество друзей, количество фотографий, количество видеозаписей, отношения, пол, количество приобретенных журналов, количество покупок.

Таким образом, была получена итоговая таблица цифровых следов, состоящая из 155 столбцов (цифровые следы) и 2741 строки (число подписчиков журнала Stories ВКонтакте) для дальнейших регрессионного, корреляционного и дисперсионного анализов.

4.4 Корреляционный анализ

В приложении 7 приведена таблица описательной статистики. Итоговое количество наблюдений - 2741. В основном подписчики не покупают журнал через ВКонтакте, а просто следят за развитием сообщества, т.к. 1 - это покупка, с среднее равно 0,07. Средний возраст подписчиков составляет 29 лет. Превалирующее число подписчиков женщины из России. В среднем подписчики подписаны на 292 сообщества, имеют около 300 друзей.

Корреляция с использованием коэффициента Спирмена показала, что отсутствует сильная положительная или отрицательная корреляция между показателями цифровых следов и переменной покупки. Вырезка из таблицы корреляции представлена в Приложении 8. Слабой положительной корреляцией (ниже 0,4) обладают такие цифровые следы как 0 кластер постов (0,157), 3 кластер постов (0,107), 5 кластер постов (0,156), 7 кластер постов (0,126), 14 кластер постов (0,128), 15 кластер постов (0,115), 2 кластер постов (0,136), 16 кластер постов (0,118), количество аудиозаписей (0,123), 13 кластер постов (0,110). Слабой отрицательной корреляцией обладают такие цировые следы как количество сообществ (-0,145), пол (-0,118), 8 кластер сообществ (-0,145), 39 кластер сообществ (-0,109), 5 кластер сообществ (-0,113), 12 кластер сообществ (-0,122), 29 кластер сообществ (-0,100), 35 кластер сообществ (-0,115), 20 кластер сообществ (-0,108).

Из данных показателей необходимо определить какие из них являются значимыми. Все коэффициенты корреляции знаимы на уровне p = 0,0001.

Таким образом, 0, 3, 5, 7, 14, 15, 2, 16, 13 кластеры постов и количество аудиозаписей являются значимыми и имеют слабую положительную корреляцию. То есть посты с девушками, которые любят делать селфи, об искусстве, о дизайне интерьера, о городе и его архитектуре, посты с изображением пейзажей (природа), о путешествиях и отдыхе за городом, посты о растениях и черно-белые фотографии в постах коррелируют с покупательской способностью подписчиков, а также количество аудиозаписей пользователей. Отрицательно на процесс принятия решения о покупке влияют количество сообществ, пол (мужчины более склонны к покупке, чем женщины), подписка на сообщества о спорте, о юморе, о бизнесе, о рекламе и продвижении, об играх и на сообщества с объявлениями и работой, то есть подписчики данных сообществ скорее не приобретут журнал.

Для получения более точных выводов по анализу был также проведен регрессионный анализ.

4.5 Регрессионный анализ

Таблица 4 Результат классификации на первоначальном этапе

Наблюдаемый	Предсказанный
	Покупка	Правильный процент
	Нет	Да
Шаг 0	Покупка	Нет	2501	0	100,0
		Да	200	0	,0
Общий процент			92,6

В ходе регрессионного анализа было построено 17 моделей, каждая из которых является значимой (p = 0,0001). Решено было взять 17 модель, так как у данной модели самая высокая точность предсказания покупки (overall percentage = 93,9%). На данном первоначальном этапе 2501 подписчик не приобретал журнал онлайн через сообщество Stories ВКонтакте и 200 приобрели его. Поэтому если значения в модели предсказывают, что каждый подписчик приобрел журнал онлайн, то этот прогноз будет правильным в 200 раз из 2701 (т. е. с вероятностью около 7,4%). Однако, если значения в модели предсказали, что каждый подписчик не приобретал журнал онлайн через ВКонтакте, то это предсказание будет правильным 2501 раз из 2701 (т.е с вероятностью около 92,5%).

Таким образом, наглядно видно неравное соотношение предсказаний. Поэтому из двух доступных вариантов лучше предсказать, что все подписчики журнала Stories скорее не приобретут его, так как данное предположение приводит к большему количеству достоверных прогнозов.

В Таблице 4 также видно, что значения в модели предсказали, что порядка 100% подписчиков не приобрели журнал, и только 0% приобрели. В целом модель правильно классифицирует 92.6% подписчиков журнала Stories. Да, действительно, число тех людей, кто приобрел журнал значительно ниже общего числа подписчиков на сообщество журнала ВКонтакте.

Таблица 5 Сводка по моделям

Модель	-2 Log likelihood	Cox & Snell R Square	Nagelkerke R Square
1	1331,858а	,034	,084
2	1295,938а	,047	,115
3	1244,663b	,065	,158
4	984,822c	,151	,367
5	956,332c	,160	,389
6	945,494c	,163	,397
7	934,395c	,166	,406
8	925,717c	,169	,412
9	917,784c	,172	,418
10	913,136c	,173	,422
11	903,172d	,176	,429
12	898,115d	,178	,433
13	893,061d	,179	,437
14	886,348d	,181	,442
15	878,635d	,183	,447
16	874,492d	,185	,450
17	872,245d	,185	,452
a Оценка завершилась на итерации №6, так как оценки параметров изменились менее чем на 001. b Оценка завершилась на итерации №7, так как оценки параметров изменились менее чем на 001. c Оценка завершилась на итерации №8, так как оценки параметров изменились менее чем на 001. d Оценка завершилась на итерации №9, так как оценки параметров изменились менее чем на 001.

Таблица 5 показывает сводную статистику о каждой модели, в том числе выбранной 17 модели. Данная модель оценивается с помощью статистики логарифмического правдоподобия. В SPSS, вместо того, чтобы сообщать о логарифмической вероятности, значение умножается на -2. Выбранная 17 модель имеет наименьшее значение статистики логарифмического правдоподобия, что указывает на то, что выбор сделан верно.

В таблице 6 Chi-square показывает насколько лучше модель предсказывает переменную исхода, измеряя разницу между моделью в её нынешнем виде и первоначальной моделью, когда была включена только константа. В таблице 6 значение показателя рассчитывается на уровне .05, поэтому можно сказать, что в целом модель предсказывает, купит человек журнал или нет лучше, чем это было в модели только с включенной константой.

Таблица 6 Результаты теста Омнибуса для 17 модели

	Сhi-square	df	Sig.
Шаг 14	Шаг	6,713	1	0,10
	Блок	539,667	14	,000
	Модель	539,687	14	,000
Шаг 15	Шаг	7,714	1	,005
	Блок	547,400	15	,000
	Модель	547,400	15	,000
Шаг 16	Шаг	4,143	1	,042
	Блок	551,543	16	,000
	Модель	551,543	16	,000
Шаг 17	Шаг	2,247	1	,134
	Блок	553,790	17	,000
	Модель	553,790	17	,000

Таблица 5 также показывает две другие меры R2 - Cox&Snell R Square и Nagelkerke R Square, которые имеют достаточно схожие значения.

Таблица 7 Результат классификации по последним моделям

Наблюдаемый	Предсказанный
	Покупка	Правильный процент
	Нет	Да
Шаг 12	Покупка	Нет	2470	31	98,8
		Да	137	63	31,6
Общий процент			93,8
Шаг 13	Покупка	Нет	2469	32	98,7
		Да	140	60	30,0
Общий процент			93,6
Шаг 14	Покупка	Нет	2469	32	98,7
		Да	138	62	31,0
Общий процент			93,7
Шаг 15	Покупка	Нет	2468	33	98,7
		Да	134	66	33,0
Общий процент			93,8
Шаг 16	Покупка	Нет	2466	35	98,6
		Да	132	68	34,0
Общий процент			93,8
Шаг 17	Покупка	Нет	2467	34	98,6
		Да	132	68	34,0
Общий процент			93,9

Текущая модель в Таблице 7 правильно классифицирует 2467 подписчиков, которые не приобрели журнал онлайн и неправильно классифицирует 34 других (она правильно классифицирует 98,6% случаев). Модель также правильно классифицирует 68 подписчиков, которые приобрели журнал онлайн, но неправильно классифицирует 132 других (она правильно классифицирует 34% случаев). Таким образом, общая точность классификации представляет собой средневзвешенное значение этих двух величин (93,9%). Так, когда была включена только константа, модель правильно классифицировала 92,6% подписчиков, то в 17 модели данное значение возросло на 1,3%.

Таблица 8 имеет решающее значение, поскольку он сообщает оценки коэффициентов для предикторов, включенных в модель. b-значение заменяется для каждого значения в функции, характеризующей искомую вероятность.

Таблица 8 Предикторы по 17 модели

	B	S.E.	Wald	df	Sig.
Шаг 17	0 кластер постов	,071	,015	20,875	1	,000
	5 кластер постов	,017	,004	22,957	1	,000
	Среднее количество лайков у 5 кластера постов	,016	,004	17,613	1	,000
	Среднее количество репостов у 8 кластера постов	-1,483	,520	8,123	1	,004
	Среднее количество комментариев у 10 кластера постов	,277	,007	8,208	1	,110
	Среднее количество репостов у 10 кластера постов	,221	,138	2,556	1	,026
	Среднее количество просмотров у 13 кластера постов	,000	,000	4,856	1	,007
	2 кластер сообществ	,084	,031	7,340	1	,005
	8 кластер сообществ	-,530	,187	7,997	1	,000
	22 кластер сообществ	,030	,003	145,517	1	,008
	42 кластер сообществ	,076	,029	6,849	1	,000
	33 кластер сообществ	,127	,036	12,187	1	,008
	36 кластер сообществ	,255	,097	6,900	1	,001
	45 кластер сообществ	,190	,055	11,821	1	,040
	20 кластер сообществ	-,112	,055	4,204	1	,000
	Количество сообществ	-,027	,002	140,215	1	,000
	Количество друзей	-,001	,000	6,952	1	,006
	Константа	-2,384	,165	208,576	1	,000

В данной работе мы не будем расчитывать итоговую вероятность, так как приоритетнее выделить наиболее значимые предикторы.

Важнейшей статистикой является Wald statistic, которая имеет распределение хи-квадрат и говорит, существенно ли b-коэффициент для этого предиктора отличается от нуля. Если коэффициент существенно отличается от нуля, то можно предположить, что предиктор вносит значительный вклад в предсказание исхода (Y). К таким основным предикторам относятся такие три как: количество сообществ, 22 кластер сообществ и 5 кластер постов. Также данные предикторы являются значимыми (p = 0,0001).

Однако не до конца определено, какое количество сообществ является оптимальным, чтобы пользователь приобрел журнал через ВКонтакте. 22 кластер сообществ (сообщества с картинками и небольшими текстовыми подводками) также влияют на стремление человека совершить покупку.

Подводя итог корреляционному и регрессионному анализу, было принято решение основывать выводы по анализам на объединении результатов двух анализов, так как в пересечении находятся небольшое количество показателей, по которым сложно давать рекомендации для эксперимента.

4.6 Дисперсионный анализ

Для понимания того, какое количество сообществ оптимально должно быть у человека в подписках для того, чтобы он приобрел журнал, был проведен дисперсионный анализ.

Рис. 11. Зависимость количества сообществ от того приобретал человек журнал или нет

На Рисунке 11 представлено распределение по тем, кто приобрел журнал через ВКонтакте и тем, кто не приобретал его, в зависимости от количества сообществ на которое они подписаны.

Тем самым мы видим, что медиана находится в пределах 300 подписок на сообщества. Было решено разбить сообщества на классы с примерно одинаковым количеством входящих в каждый класс сообществ (см. Таблицу 9):

1 класс - от 0 до 50 сообществ

2 класс - от 51 до 100 сообществ

3 класс - от 101 до 150 сообществ

4 класс - от 151 до 200 сообществ

5 класс - от 201 до 250 сообществ

6 класс - от 251 до 300 сообществ

7 класс - от 301 до 500 сообществ

8 класс - от 501 до 700 сообществ

9 класс - от 701 до 900 сообществ

10 класс - от 901 до наибольшего числа сообществ

Проводим однофакторный дисперсионный анализ по апостериорным множественным сравнениям:

- GT2 Гохберга (так как лишь малая часть подписчиков купила журнал, а остальные не купили);

- Геймс-Хоуэлл (так как есть вероятность, что дисперсия в выборке по разному распределена).

Таблица 9 Описательные статистики для каждого класса в зависимости от переменной Покупка

	N	Среднее	Стандартное отклонение	Стандартная ошибка	95% доверительный интервал. Нижняя граница
1,00	371	,140161725	,347623555	,018047716	,104672766
2,00	466	,100858369	,301464728	,013965084	,073415880
3,00	420	,092857143	,290578271	,014178768	,064986764
4,00	286	,059440559	,236861870	,014005936	,031872359
5,00	249	,080321285	,272337361	,017258679	,046329011
6,00	164	,024390244	,154729906	,012082376	,000532087
7,00	364	,041208791	,199046405	,010432866	,020692344
8,00	133	,045112782	,208336181	,018065038	,009378351
9,00	85	,000000000	,000000000	,000000000	,000000000
10,00	203	,009852217	,099012340	,006949304	-,00385026
Всего	2741	,073695731	,261322760	,004991404	,063908436



В Таблице 10 видно, что между группами есть значимая связь.

Таблица 10 Наличие связи между классами в зависимости от переменной Покупка (ANOVA)

	Сумма квадратов	ст.св.	Средний квадрат	F	Значимость
Между группами	4,387	9	,487	7,285	,000
Внутри групп	182,727	2731	,967
Всего	187,113	2740

Также в Таблице 9 можно увидеть, что у первого класса самая большая склонность к покупке журнала, также существует резкий перепад между 5 и 6 кластерами. онлайн продажа таргетированный реклама

Апостериорные тесты (см. Приложение 9) также показали, что нет разницы между 1 и 2 кластерами, между 1 и 3 кластерами, в то время как есть значимая разница между 1 и 6 кластерами и далее. Также есть значимая разница между 2 и 6, 2 и 7 кластерами. Между 4 и 1 кластерами аналогично существует разница.

Таким образом, можно определить, что 1,2,3,5 классы схожи между собой, то есть люди больше склонны покупать журнал, если у них до 150 сообществ или от 201 до 250 сообществ. Можно предположить, что чем больше у человека сообществ, тем менее он внимателен к каждому из них, в том к числе к сообществу журнала Stories ВКонтакте. А если у человека мало подписок на сообщества, то он искренне интересуется каждым из них

Подводя итог статистического анализа данных, значимое влияние на покупательскую способность человека относительно продаж журнала Stories, оказывают такие цифровые следы как:

- Предпочтение девушек к селфи;

- Предпочтение к искусству;

- Предпочтение к дизайну интерьера;

- Предпочтение к к городу и его архитектуре;

- Предпочтение к пейзажам;

- Предпочтение к путешествиям;

- Предпочтение к отдыху за городом на природе;

- Предпочтение к черно-белым фотографиям;

- Предпочтение к растениям;

- Количество сообществ;

- Пол;

- Подписка на сообщества о спорте;

- Подписка на сообщества с юмором;

- Подписка на сообщества о бизнесе;

- Подписка на сообщества с объявлениями и о работе;

- Подписка на сообщества о рекламе и продвижении;