大网红还是小网红?使用追随者弹性选择影响者
文摘
科学
2024-05-17 16:34
天津
影响者营销，即企业赞助社交媒体个性以推广其品牌，近年来在全球范围内呈爆炸式增长。选择影响者伙伴的一个常用标准是流行度。虽然一些公司与拥有数百万追随者的"巨型"（Mega）影响者合作，但其他公司与只有几千追随者的"微型"（Micro）影响者合作，但他们的赞助费用也较低。为了量化这种流行度和成本之间的权衡，作者开发了一个计算印象追随者弹性( FEI )的框架，该框架衡量了一个视频在其创作者的追随者数量增加百分比对应的印象(即,浏览量)的百分比增量。计算FEI涉及计算影响者的流行度对其视频观看次数的因果影响，它是通过结合( 1 )从TikTok收集的独特数据集，( 2 )用于量化视频内容的表征学习模型和( 3 )基于机器学习的因果推断方法来实现的。作者发现FEI总是正的，平均为0.10，但通常与追随者的规模大小非线性相关。他们研究了预测这些FEI曲线变化的因素，并展示了企业如何利用这些结果来更好地确定影响者伙伴关系。本文作者所关注的企业与影响者的合作模式为TIKTOK上的“changelles”。例如企业邀请影响者参与到他们的宣传活动中，影响者会在视频下方附上活动的主题标签以及名称（例如，# + 活动名称）。文章的数据也来源于各标签下的视频。1.非结构化数据的处理。本篇文章收集的数据为非结构化数据，指代那些无法放入表格或电子表格的数据。在本篇文章中为视频内容，包括文本、图像、音频以及编辑方式（例，滤镜）。作者通过结合两种技术，迁移学习和多模态表征学习来学习这些特征数据。2.表征学习。通过迁移学习处理后的特征仍然处于高维。为了降低这些特征的维度并且综合使用它们作者使用了基于VAE（变分自编码器）的表征学习过程。VAE是基于传统的自动编码器，它是由两个部分组成的机器学习模型：将数据压缩为稠密向量表征的编码器和从该表征中重建原始数据的解码器。作者开发的VAE版本是一个多模态的VAE（SMVAE）。它的结构类似于一个标准的VAE，具有编码器和解码器，但它在每个组件中都包含了特殊的结构，使其可以合并来自四个模态（文本、图像、音频以及编辑方式）的信息。这张图展示了整体的建模框架。该框架的主要输出来自编码器：给定一个新的TikTok帖子xn，编码器根据后验均值μn和方差σn 给出p ( rn | xn )的估计。这个后验均值是在因果框架中用来控制帖子内容的表征。虽然表征学习过程提供了一种控制视频内容的方法，但对于理解影响者的流行度和视频之间的联系，仍然存在三个问题：( 1 )这些变量之间潜在的非线性关系；( 2 )不同内容类型之间潜在的异质性响应函数；( 3 )未观察到的混杂因素可能同时驱动流行度和观看次数，从而使我们对这种关系的理解产生偏差。为了解释这些担忧，作者转向深度工具变量（Deep IV）。3.深度工具变量（Deep IV）。该模型通过深度神经网络同时估计工具变量框架的第一阶段和第二阶段来推广两阶段最小二乘，从而允许对因果效应进行异质性和非线性估计。Yj = g(Fi ( j ), Xj) + ejYj是视频j的对数印象数，在其发布两周后进行测量；Fi ( j )是创作者i在发布视频j时的对数跟随者大小；Xj包含了所有的协变量，既包括帖子和它的创建者的元数据，也包括内容表征，rj；而ej是一个误差项。根据变量之间潜在的相关性，为了计算反事实数量，问题为 “如果这个视频被一个相似但更受欢迎的影响者发布，那么它会得到多少印象? ”，作者需要一个跟随者数量的工具。作者设计了反事实预测函数h(F,X)，捕捉的是仅由协变量X所决定的F的外生变化引起的观看次数变化。h(F,X)是通过神经网络参数化的，它允许我们灵活地捕获F和Y之间关系的非线性，以及特征( X )如何调节这种关系(异质性效应)。从这个反事实预测函数，作者导出了我们感兴趣的关键度量：印象的追随者弹性，或FEI。4.工具变量。作者的框架需要一个有效的工具来确定影响者在发布视频时拥有的追随者数量。该工具应该在发布 (相关性)时引起影响者追随者规模大小的变化，但不直接影响被发布视频的浏览计数(排他性)，也不与Deep IV模型(外生性)中的错误项ej相关。作者使用的实现这三个目标的工具是“一个相似的影响者过往历史上在帖子上收到的点赞数”。5.最终作者使用了一张因果有向无环图（DAG）来说明比那两之间的关系。Y是因变量观看量；F是处理变量，追随者；Z是工具变量，意在解决未观察到的混杂因素的可能性，记为U。变量X捕获了所有的控制变量，它主要与视频数据集的内容有关。最后，L指的是对一类影响者的潜在兴趣。阴影节点被观察到，而白色节点未被观察到。作者绘制了通过框架计算的平均FEI，它是数据集中所有视频的平均值。这种形状表明，相对较小的影响者，追随者的百分比增益平均会导致印象计数最大的百分比增益，但并不是最小的影响者。实际上，只有6500个跟随者才能达到最大的平均FEI。![]()
作者计算每个( log )追随者数量的反事实预测平均( log )印象，并在视频中再次平均。在非线性模式下，作者发现更受欢迎的影响者可能与他们的追随者之间的联系是较弱的。文章显示了数据中每个印象分享最频繁的帖子是那些落在追随者中间的帖子，这表明分享带来的印象增量对于受欢迎程度中间层的影响者来说将是最高的。根据标签，作者将活动主题分为了三种，分别是信息性、娱乐性以及社会性。信息性指代那些内容是为用户提供资源和有帮助的信息的视频；娱乐性指代那些内容本意是趣味性和娱乐性的，没有明确的信息价值的视频；社会性指代那些鼓励用户之间进行互动，激发他们对社会融合和社会效益的渴望的视频。作者计算了每个#标签类别中所有视频的平均FEI曲线。与预期一致，拥有少于10000个追随者的影响者对信息性#标签实现了更快的印象增长，而拥有更多追随者的影响者对社交性#标签实现了更快的增长。对于娱乐性标签，作者发现它们表现出的FEI更接近于信息性标签。从计算的FEI曲线来看，虽然娱乐性和信息性的平均弹性可能更高，但对于一定范围的追随者而言，社交性具有更高的FEI。作者还对视频内容的主题进行了区分，分别是生活、节日、技能、食物和游戏。对于节日来说，与其他视频类型相比，节日帖子的平均弹性较低。作者认为这是由于节假日岗位的寿命较短造成的。对于游戏来说，游戏是一种高度社会化的情境，其中网络效应非常突出，所以由追随者规模较大的影响者发布能够带来更好的效果。最后，对于生活和技能两个主题，出现了明显偏离倒U型的现象。生活类和技能类视频是真实性备受推崇的领域，小范围的影响者往往会被感知为更真实的。因此，在这些情况下，较小的影响者在获得关注方面更有效。作者还只对由企业赞助的活动进行了分析，分别绘制了FEI曲线和反事实函数曲线。添加特殊效果的活动：对于特效视频，更强的S形模式表明了更显著的阈值效应：只有当一个足够流行的影响者发布特效时，效果才会显现。产品演示挑战：产品演示视频，表现出弧形的印象增长曲线，只能吸引对其产品感兴趣的观众，这比TikTok用户对舞蹈和换装视频感兴趣的社区小。例如， # MicellarRewind活动，它宣传一种皮肤清洁剂。无论这项活动是由一个巨大的影响者发起的，还是一个更小的影响者发起的，只有如此多的TikTok用户对这一产品感兴趣。一旦该兴趣用户群饱和，从更高的流行度中获得的收益是有限的，这将导致边际收益递减。鼓励自我表达的挑战（例如跳舞、换装）：自我表现内容的线性曲线出现的发现与这种类型的内容在TikTok上具有广泛的、同质的吸引力的想法是一致的，这展示了追随者异质性的影响的最小作用。在这些数据中，自我表达的标签对任何赞助的标签的浏览总数都是最高的。更广泛地说，这些线性曲线表明，对于某些内容，影响者广告的曝光潜力还没有达到极限。在TikTok上观察到这些反应曲线，可能是由于社交媒体上不太成熟的内容市场，仍然经历着注意力的爆炸式增长。4.最佳的影响者选择。作者利用视频层面的FEI曲线来指导企业选择特定营销活动中最佳的影响者合作伙伴的受欢迎程度水平。为了实现这一点，需要三个输入：首先，是所需视频的特征，从中可以计算出该视频的预测FEI曲线；有了这些输入，企业可以使用FEI来计算与额外一单位追随者相关的边际收入的值，还可以估计每增加一单位追随者的边际成本。将这两个相等可以得到选择最佳影响者的条件。最终，通过边际收益等于边际成本计算出最佳的追随者数量规模。
1.建模框架： 研究提出了一个将表征学习和因果机器学习相结合的建模框架，用于量化创作者流行度对其内容印象的因果影响。这个框架导出了 FEI，并展示了它在多个企业关心的变量之间的差异。
2.对企业决策的影响： 研究结果说明了 FEI 的差异如何为企业提供合作影响者类型的见解。企业不应盲目地选择非常受欢迎的影响者，因为中层影响者可能在许多活动中表现更好。
3.对广告策略的启示： 研究结果在社交媒体广告领域提供了一些新的见解，为广告反应和最优广告策略的辩论做出了贡献。作者指出，活动的内容对焦点视频的印象如何响应其创作者的受欢迎程度起着重要作用。
4.影响者选择的框架： 通过解释通用的 FEI 模式和相应的最优伙伴关系，作者为管理者提供了一个影响者选择的框架，超越了常见的简单案例研究分析。
Mega or Micro? Influencer Selection Using Follower Elasticity
文字编辑、排版：覃玉欢，南开大学商学院2023级硕士研究生
